Anda di halaman 1dari 188

UNIVERSIDAD NACIONAL AUTNOMA DE MXICO

FACULTAD DE FILOSOFA Y LETRAS


LICENCIATURA EN LENGUA Y LITERATURAS HISPNICAS

MANUAL DE ETIQUETADO FONTICO E


IMGENES ACSTICAS DE LOS ALFONOS DEL
ESPAOL DE LA CIUDAD DE MXICO,
PARA SU USO EN LAS TECNOLOGAS DEL HABLA

TESIS QUE, PARA OBTENER EL TTULO DE


LICENCIADA EN LENGUA Y LITERATURAS HISPNICAS,
PRESENTA

MONTSERRAT ALEJANDRA CHAVARRA AMEZCUA

Asesores: Mtro. Javier Octavio Cutara Priede


Dr. Luis Alberto Pineda Corts

Ciudad de Mxico, 2010

1
que toda la vida es sueo, y los sueos, sueos son
Caldern de la Barca

Pienso que en ocasiones sta es la parte ms difcil. Decir gracias no es sencillo, pero lo digo con todo el
corazn. GRACIAS:

Dios por permitir que llegara este momento, por haberme puesto en este tiempo, en este lugar, con todas las a
las que tanto amo

Pap y mam: por confiar en m, por ensearme y darme la libertad, por soportar cada una de mis rebeldas,
por ensearme a crecer, a ser fuerte y a ser autosuficiente, por comprender mis locuras y mis sueos, por
preocuparse por m, por cuidarme y apapacharme cuando lo necesito, y, sobre todo, por el AMOR y el apoyo
incondicional que me han dado.

Hermanas Lola, Anglica y Giovana: por crecer conmigo, por ser mis compaeras de juegos, por todos los
ms hermosos y mejores momentos, vivencias y recuerdos de mi vida; porque sin ustedes, en definitiva, la
vida no sera igual. Las amo tanto como a nuestros paps, que es ms que amar a mi propia vida, que a m
misma.

Ma. Hor: por quererme tanto y nunca olvidarse de m.

Amigas Fer, Yu, Lu, Lau, Mon, Dino y Aure: por todos buenos momentos de la universidad que
compartimos, por todos los aos que hemos estado y estaremos juntas, por ser las mejores amigas, por ser las
mejores confidentes, por todo el apoyo y la comprensin, por todo. Las amo nenas.

Javier: Por creer y confiar en m, por aceptar ser mi asesor en este trabajo, por hacerme crecer y madurar, por
todo el apoyo, por ser el mejor maestro, por ensearme tantas cosas, por ser un ejemplo a seguir, por todos los
cocos, los jalones de orejas y los manazos tan oportunos; por todas la risas, por preocuparte por m, por
abrirme las puertas de tu casa, por toda tu amistad.

Doctor Luis: por confiar en m, por su amistad, por tenderme la mano, por darme todo lo necesario en mi
estancia en el departamento, por permitirme ser parte de su proyecto, por no dejarme sola y preocuparse por
m.

Dra. Margarita, Dra. Lilian, Dra. Axel: por ser parte de mi formacin acadmica, por ser excelentes
profesoras y mostrarme nuevos mundos con sus conocimientos. Por leer este trabajo que se nutri de sus
observaciones.

Compaeros y amigos del DDC-IIMAS: por aguantarme todos los das. Siempre he dicho que somos una
familia a la que le doy los buenos das, el buen provecho y las buenas noches. Por las porras y todos los
hermosos momentos que hemos pasado juntos.

A los que ya no estn y an viven en mi corazn: Abuelo ngel y padrino Vic, los extrao y los recuerdo con
mucho amor.

Gary: por todas las fiestas y carreras que haces al verme llegar.

A todos aquellos que no he nombrado, pero que son sumamente importantes en mi vida.

Agradezco inmensamente a la Universidad Nacional Autnoma de Mxico que me ha


dado la oportunidad de una excelente educacin y que me ha permitido ser una
universitaria orgullosamente puma.
Sin dejar de ser yo: voy a llorar.

2
Agradezco al Proyecto CONACYT GOLEM-II: Un asistente conversacional situado
con lenguaje hablado y visin computacional,
con nmero de referencia 81965.

Y al proyecto PAPPIT-UNAM Desarrollo de mdulo de procesamiento semntico


estocstico para el robot Golem con un corpus con etiquetacin mnima,
con nmero de referencia IN-115710.

Ambos coordinados por el Doctor Luis A. Pineda Corts.

3
ndice

1. Introduccin ............................................................................................................... 6

2. La lingstica computacional ................................................................................... 12

2.1. Las tecnologas del habla .................................................................................... 14

2.1.1. La sntesis del habla ................................................................................. 15


2.1.2. El reconocimiento del habla ..................................................................... 18
2.2. La fontica en las tecnologas del habla ............................................................. 20

2.2.1. La fontica instrumental ........................................................................... 22


2.2.1.1. Antecedentes ......................................................................................... 23
2.2.1.2. Alfabetos fonticos .................................................................................. 25

3. Las tecnologas del habla en Mxico: El Proyecto DIME ...................................... 29

3.1. El Corpus DIMEx100 ......................................................................................... 32

3.2. Corpus orales ...................................................................................................... 36

3.3. Segmentacin y transcripcin fontica computacionales de corpus orales ........ 38

3.4. El alfabeto Mexbet y los niveles de transcripcin (T22, T44, T54).................... 42

3.5. El Speech View del CSLU como herramienta para transcribir............................ 51

4. Un Manual de etiquetado fontico, para su uso en las tecnologas del habla. .... 55

5. Conclusiones .............................................................................................................. 60

6. Referencias bibliogrficas ........................................................................................ 65

7. Apndice. Manual de etiquetado fontico e imgenes acsticas de los alfonos del


espaol de la ciudad de Mxico, para su uso en las tecnologas del habla .. 70

4
ndice de figuras

Figura 1. Arquitectura de un sintetizador de habla (Llisterri 2003a:14) ... 17

Figura 2. Arquitectura de un reconocedor de habla (Llisterri 2003b:15) ....................... 19

Figura 3. Imagen de un resonador (Helmholtz 1877/1954:43) ..................................... 24

Figura 4. Espectrgrafo (Gil 1990:53) ........................................................................... 24

Figura 5. Imagen de la interfaz del programa de diseo de cocinas (Pineda 2008) ...... 31

Figura 6. Segmentacin y transcripcin fontica, en el nivel T54 ................................ 41

Figura 7. Segmentacin y transcripcin en T54 y Tp ................................................... 42

Figura 8. Representaciones de los diacrticos de Mexbet .............................................. 45

Figura 9. Inventario de alfonos consonnticos del nivel T54 (Cutara 2004:69) ........ 46

Figura 10. Inventario de alfonos voclicos del nivel T54 (Cutara 2004:69) .............. 46

Figura 11. Inventario de alfonos consonnticos del nivel T44 (Pineda et al. 2010:365)

...................................................................................................................... 47

Figura 12. Inventario de alfonos voclicos del nivel T44 (Pineda et al. 2010:365)..... 48

Figura 13. Inventario de codas silbicas del nivel T44 (Pineda et al. 2010:365) ........... 48

Figura 14. Inventario de alfonos consonnticos del nivel T22 (Pineda et al. 2010:365-

366) .............................................................................................................. 49

Figura 15. Inventario de alfonos voclicos del nivel T22 (Pineda et al. 2010:366)..... 49

Figura 16. Ejemplo de transcripcin en los tres niveles T54, T44, T22 ......................... 50

Figura 17. Herramienta computacional Speech View del CSLU .................................... 52

Figura 18. Etiquetado de los niveles de transcripcin .................................................... 53

5
1. Introduccin

La lingstica computacional se dedica a la construccin de herramientas computacionales


para el anlisis y estudio del habla. En las ltimas dcadas, esta disciplina ha tenido un gran
auge en la ciencia y en la tecnologa debido a los grandes avances de sus estudios. Una de
las ramas de la lingstica computacional son las tecnologas del habla; stas se enfocan,
entre otras cosas, a la construccin de sistemas de sntesis y reconocimiento del habla: los
primeros estn orientados a la recreacin del habla y los segundos al reconocimiento de la
misma. El objetivo de estos sistemas es lograr la interaccin humano-mquina por medio
del habla.

En la actualidad se ha podido lograr la comunicacin entre humanos y mquinas, aunque de


forma muy limitada debido a diferentes factores, entre ellos, los lingsticos como la
polisemia, la conversacin diversa, un lxico limitado, la falta de un sistema de
reconocimiento ms eficaz, entre otros. Para solucionar esta limitacin, las tecnologas del
habla estn desarrollando sistemas de sntesis capaces de recrear un habla cada vez ms
parecida a la humana y reconocedores que la capten con ms facilidad, especialmente el
habla espontnea. En esta tarea las tecnologas del habla trabajan conjuntamente con la
fontica, pues para que los sistemas de sntesis y reconocimiento sean ms eficaces
requieren de una descripcin detallada de cada sonido que emitimos los humanos al hablar
(Llisterri 1991).

La construccin de sistemas de sntesis y reconocimiento de habla conlleva un largo


proceso. En primer lugar, es necesario compilar un corpus oral bastante amplio, el cual se
analiza acsticamente con herramientas computacionales que permiten ver la seal sonora,
tales como los oscilogramas y los espectrogramas. Posteriormente, se pasa a la etapa de
transcripcin del corpus. Esta etapa representa un trabajo largo y, sobre todo, laborioso, ya
que cada oracin o palabra del corpus se segmenta en alfonos y stos, a su vez, se
transcriben en smbolos que pertenecen a un alfabeto fontico; dichos smbolos deben

6
describir las caractersticas acsticas de los sonidos, de manera que al terminar de
segmentar y transcribir cada uno de los alfonos en las etiquetas, la oracin queda transcrita
fonticamente. A este proceso, en la jerga de la lingstica computacional, se le conoce
como etiquetado fontico computacional.

La transcripcin del corpus se hace manualmente con ayuda de herramientas


computacionales que incluyen espectrogramas y oscilogramas. stas, entre otras funciones,
permiten reproducir las grabaciones obtenidas de los corpus, segmentar la imagen
espectrogrfica de cada alfono y hacer su transcripcin fontica, lo que facilita en gran
medida el trabajo del transcriptor.

A simple vista, el proceso de transcripcin puede parecer un trabajo sencillo; sin embargo
no es as, pues la transcripcin de un corpus representa una gran dificultad debido a varios
aspectos. En primera instancia, un corpus est constituido por varias horas de grabacin,
por lo que se requiere de mucho tiempo para transcribirlo y, aunque existen herramientas
computacionales que de alguna manera facilitan este trabajo, se necesita un grupo
numeroso de personas destinadas a esta labor. En muchas ocasiones, las personas que van a
transcribir el corpus suelen pertenecer a distintas formaciones acadmicas como lingistas,
ingenieros, informticos o matemticos; por esta razn muchos son inexpertos y es
necesario darles una capacitacin previa sobre el etiquetado fontico computacional; esto
hace que el tiempo de etiquetado del corpus se retrase, se haga complicado y tedioso. A lo
anterior se suma que, cuando un corpus se transcribe por varias personas, parte de ellas
principiantes, provoca que haya inconsistencias y falta de uniformidad en el etiquetado,
como la mala delimitacin en las fronteras de los sonidos, la confusin de alfonos y
etiquetas mal colocadas, por mencionar algunos casos.

A partir de las dificultades que se presentan durante el proceso de transcripcin, se busc


una solucin que contribuyera para que el proceso sea ms consistente y estable. Por lo
anterior, este trabajo de tesis hace una revisin sobre la fontica y las tecnologas del habla,
y su mayor contribucin es proponer un Manual de etiquetado fontico e imgenes
acsticas de los alfonos del espaol de la ciudad de Mxico, para su uso en las

7
tecnologas del habla. El Manual consiste en la presentacin de la imagen acstica de los
alfonos del espaol de la ciudad de Mxico, pues se espera que al reconocerlos
visualmente en un espectrograma sea posible segmentarlos de manera ms precisa.

Esta tesis se enmarca dentro del Proyecto DIME (Dilogos Inteligentes Multimodales en
Espaol). Este proyecto se desarrolla en el Instituto de Investigaciones en Matemticas
Aplicadas y en Sistemas (IIMAS) de la UNAM. El proyecto tiene como objetivo lograr la
comunicacin entre humanos y mquinas, mediante el lenguaje natural; para ello, una de
sus tareas ha sido la construccin de sistemas de reconocimiento del habla en espaol de
Mxico (Pineda 2008). Para llevar a cabo esta tarea, el proyecto se dio a la labor de disear,
recopilar y transcribir fonticamente el Corpus DIMEx100 con el fin de crear los modelos
acsticos y los diccionarios de pronunciacin para la programacin de los reconocedores de
habla; por esos motivos fue grabado cuidadosamente, dentro de una cabina de audio para
evitar el ruido y con un habla cuidada (Pineda et al. 2004, 2010). Por lo anterior, este
corpus fue elegido para obtener las imgenes ejemplos del Manual presentado en esta tesis.

La elaboracin de esta tesis responde a varios intereses. En primer lugar, busca contribuir al
desarrollo de las tecnologas del habla en Mxico que, al ser una disciplina relativamente
joven en nuestro pas, carece de herramientas que auxilien, guen y enseen a reconocer los
sonidos del lenguaje en un espectrograma, a diferencia de otros pases que cuentan con
diversos manuales y libros que muestran un anlisis sobre la onda sonora con esos fines. En
segundo lugar, se ha hecho para mejorar y facilitar el proceso de transcripcin de los corpus
del Proyecto DIME; por ello, se limita a describir los sonidos del espaol de la ciudad de
Mxico y se apega a las normas y estndares de transcripcin del Corpus DIMEx100. En
tercer, lugar se espera que sea una base y motivacin para futuros trabajos que aborden los
distintos dialectos del espaol de Mxico.

El trabajo aqu presentado se divide en dos partes. La primera parte se divide en cuatro
captulos, incluida esta Introduccin. El segundo captulo comienza con una breve
introduccin a la lingstica computacional. Contina con una descripcin de las
tecnologas del habla y sus aplicaciones: el funcionamiento y la arquitectura de los sistemas

8
de sntesis y reconocimiento del habla, y finaliza resaltando la importancia de la
colaboracin de la fontica en la construccin de dichos sistemas, as como las
herramientas de las que se ha valido a lo largo del tiempo para los estudios del habla, tales
como instrumentos elctricos y alfabetos.

El tercer captulo trata acerca de la lingstica computacional en Mxico, especficamente


del Proyecto DIME. Se presentan los proyectos que se han desarrollado dentro de las
tecnologas del habla, en especial del Corpus DIMEx100, pues de ste se extrajeron las
imgenes ejemplos para el Manual. Contina con una descripcin general sobre la
recopilacin de los corpus orales, del proceso de transcripcin y de las herramientas que se
usan para llevar a cabo esta tarea. Cabe mencionar que la descripcin de estos procesos se
apega a la recoleccin y etiquetado de los corpus del Proyecto DIME, y precisamente en
estos procesos se pretende aplicar el trabajo aqu presentado, con el propsito de mejorar la
transcripcin; sin embargo, cualquier otro proyecto puede retomarlos, ya que han mostrado
ser consistentes para la elaboracin de sistemas de reconocimiento del habla.
Posteriormente, se presenta el alfabeto fontico computacional Mexbet (Cutara 2004) y sus
diferentes niveles de transcripcin, el cual se hizo para el espaol de la ciudad de Mxico,
con el objetivo de usarse en proyectos de tecnologas del habla en nuestro pas. Este
alfabeto es parte importante de esta tesis, pues el Proyecto DIME lo ha utilizado para la
transcripcin de sus corpus; por lo tanto, las representaciones simblicas de los alfonos del
Manual estn transcritas con Mexbet. Para finalizar, se presenta el uso del programa
computacional Speech View y sus diferentes herramientas para transcribir.

En el cuarto captulo se presenta el Manual de etiquetado fontico e imgenes acsticas de


los alfonos del espaol de la ciudad de Mxico, para su uso en las tecnologas del habla.
Para la construccin de este Manual, primero se hizo una revisin en el Corpus DIMEx100
del comportamiento de la imagen espectrogrfica de cada uno de los alfonos del espaol
de la ciudad de Mxico que propone Mexbet en su inventario. Esta revisin se hizo con el
propsito de hacer un anlisis con los datos que arrojaron las distintas imgenes, y con base
en l seleccionar la imagen ejemplar para cada alfono. Posteriormente, se recurri a la
teora ya existente sobre la fontica acstica, la fontica del espaol de Mxico y las

9
tecnologas del habla, con el fin de complementar el anlisis obtenido a partir de la
observacin de las imgenes espectrogrficas de los alfonos del espaol de la ciudad de
Mxico, y de unificar criterios sobre su comportamiento tanto en el espectrograma como en
el oscilograma.

Una vez obtenidos todos los materiales para la elaboracin del Manual, se organiz su
distribucin. Para fines ms didcticos, el Manual est organizado por grupos fonemticos,
es decir, cada captulo est compuesto por los distintos alfonos de un fonema. Los
captulos comienzan proporcionando datos tericos sobre cada alfono. Posteriormente se
divide en distintos apartados, segn el nmero de alfonos; cada apartado contiene las
reglas de realizacin de los alfonos, la descripcin e imagen para su reconocimiento en el
espectrograma y, finalmente, se instruye cmo segmentar la imagen espectrogrfica.

El Manual presentado en esta tesis pretende brindar diferentes aplicaciones prcticas. Las
principales son las siguientes:

1) Tener una herramienta que ensee cmo segmentar y transcribir los corpus orales y, de
esta manera, sea posible subsanar las dificultades que se presentan durante el proceso
de transcripcin
2) Facilitar, agilizar y uniformar el proceso de transcripcin de los corpus del Proyecto
DIME y de otros proyectos interesados en las tecnologas del habla en Mxico.
3) Ser una gua para las personas inexpertas en el etiquetado fontico computacional. As
como, un medio de aprendizaje para los alumnos de la asignatura de fontica.

Por lo anterior, el Manual fungir como una herramienta de ayuda en el etiquetado fontico
computacional, pues cuando alguna persona se enfrente al proceso de etiquetado o el
etiquetador experto o inexperto tenga alguna duda, podr consultar el Manual y tener las
herramientas necesarias para segmentar y transcribir correctamente, al mismo tiempo que
obtendr cocimientos sobre fontica acstica.

Finalmente, la segunda parte del trabajo es el Manual de etiquetado fontico e imgenes


acsticas de los alfonos del espaol de la ciudad de Mxico, para su uso en las
tecnologas del habla que aparece como Apndice. Se tom est decisin porque el Manual
es una unidad que puede prescindir de los captulos anteriores; de esta manera, cuando el

10
lector recurra a este trabajo podr leer nicamente el Manual, pues contiene la informacin
precisa sobre la segmentacin y la transcripcin fontica computacionales.

11
2. La lingstica computacional

En este captulo se da una introduccin a la lingstica computacional. Se explicar


brevemente cada una de sus ramas, las cuales son el procesamiento del lenguaje natural, el
procesamiento de textos y las tecnologas del habla; as como en qu consiste cada una de
ellas. Se ahondar en la rama de las tecnologas del habla; se presentarn dos de sus
aplicaciones, que son los sistemas de sntesis y reconocimiento del habla; de ellos se
describir su arquitectura y funcionamiento. Posteriormente, se resalta la colaboracin de la
fontica en las diferentes tareas de la construccin de los sistemas de sntesis y
reconocimiento, tales como el diseo, la recoleccin y anlisis de los corpus orales.

En este mismo captulo se describe brevemente la historia de la fontica instrumental, y se


hace un recorrido por los instrumentos de los que se ha valido a lo largo del tiempo para el
estudio del habla. Finalmente, se mencionan los alfabetos fonticos que son utilizados
actualmente para estudios del espaol, ya que son otro tipo de herramientas para los
estudios fonticos. Del mismo modo, se mencionan algunos alfabetos fonticos
computacionales que se han elaborado a partir de los otros, y que son utilizados por
proyectos de las tecnologas del habla.

La lingstica computacional es un rea cientfica en la que trabajan conjuntamente dos


disciplinas: la lingstica y la computacin. Esta rea se ha interesado en desarrollar
programas para el modelado y estudio de la lengua; por esta razn, se dedica a la
construccin de sistemas computacionales lingsticos, los cuales tiene como objetivo el
procesamiento de la estructura lingstica humana.

Esta ciencia comenz a desarrollarse en la dcada de los cincuentas, tras la necesidad de


contar con mquinas que tradujeran automticamente textos de diferentes idiomas. Ms
adelante, se comenzaron a construir programas de traduccin y se observ que la lingstica
era sumamente importante para su elaboracin, pues primero era necesario conocer y
comprender los diferentes niveles de la lengua de cada idioma (su sintaxis, semntica,
12
pragmtica, etc.), para as poder hacer traducciones fieles. A ms de cinco dcadas de
aquellos comienzos, hoy se puede contar con diversas herramientas lingsticas
computacionales, como los traductores automticos para diversos idiomas, los correctores
de estilo, los sistemas de reconocimiento de habla para las computadoras y los telfonos
celulares, etc. (Llisterri 2003a).

Actualmente, la lingstica computacional se divide en tres ramas de estudio: el


procesamiento de lenguaje natural, el procesamiento de textos y las tecnologas del habla
(Moreno 1998); en cada una de ellas, participan de distinta manera las diversas ramas de la
lingstica, as mismo se benefician de las herramientas creadas por la computacin. Por un
lado, el procesamiento del lenguaje natural tiene por objetivo hacer conversiones
automticas de distintas representaciones lingsticas. Algunas de sus aplicaciones son los
sistemas de traduccin automtica, de recuperacin y extraccin de informacin; en otras
palabras, sistemas que resumen el contenido de un texto y que extraen informacin para
crearlo.

Por otro lado, el procesamiento de texto tiene como objetivo la creacin de herramientas
computacionales que ayuden a facilitar el manejo del contenido de un texto. Las
aplicaciones de esta rama, entre otras, son los sistemas de correccin de escritura como los
correctores ortogrficos, sintcticos y de estilo; los sistemas de anlisis textual que sirven
para contabilizar datos como la frecuencia de aparicin de palabras o construcciones
sintcticas; los sistemas para anlisis de corpus como los transcriptores lingsticos, que
transcriben para cada palabra de un texto su categora gramatical, y los analizadores
sintcticos. Estas herramientas ayudan a los lingistas a realizar tareas complejas como
analizar, contabilizar y tener un control sobre grandes bases de datos (Moreno 1998).

Finalmente, las tecnologas del habla tienen por objetivo obtener procedimientos con los
que se pueda lograr la comunicacin entre personas y mquinas por medio del habla
(Llisterri 1991). Para ello, esta rama se dedica a la construccin de sistemas que generan y
reconocen el habla, llamados de sntesis y reconocimiento. A continuacin se profundiza en
las tecnologas del habla, ya que es el rea de estudio donde se inserta este trabajo.

13
2.1. Las tecnologas del habla

Las tecnologas del habla tienen por objetivo alcanzar la interaccin con los sistemas
informticos mediante la voz, con el fin de que las personas podamos hacer uso eficiente de
stos, eliminando las restricciones que, en muchas ocasiones, nos imponen las herramientas
actuales (Llisterri 2003a:249). Para lograr su objetivo, las tecnologas del habla se dedican
a desarrollar los sistemas de sntesis y reconocimiento del habla.

Desde hace ya muchos aos, el hombre ha trabajado en la creacin de sistemas que puedan
hablar. Llisterri menciona que en los setentas las tecnologas del habla haban tenido
grandes avances en sus estudios. Por una parte, se pudo tener control de la produccin del
habla por medio de una computadora; por la otra, tambin se crearon tcnicas digitales para
manipular las seales acsticas del habla (Llisterri 2003a). Conforme pas el tiempo, se
fueron perfeccionando ambos sistemas de sntesis y reconocimiento de manera que, en la
dcada de los ochentas, los sistemas de reconocimiento pudieron captar el habla fluida, es
decir, reconocieron un enunciado sin la necesidad de hacer pausas entre cada palabra. Para
la dcada de los noventas, las tecnologas del habla ya tenan un gran desarrollo en sus
sistemas; los sintetizadores se haban comercializado y el vocabulario de los reconocedores
se haba ampliado.

En la actualidad, las tecnologas del habla tiene sistemas capaces de hablar de una manera
ms fluida y de reconocer el habla espontnea con ms eficacia, sin importar el nmero de
palabras que se pronuncien durante la comunicacin. En varios pases hay compaas que
se dedican al desarrollo de estos sistemas. En Europa hay compaas como Loquendo1 y
Acapela2 que, entre otros, han construido sistemas de sntesis capaces de emitir cualquier
texto con un habla casi natural. En Amrica existe Bell Labs3 que tambin se dedica al
desarrollo de sistemas de sntesis para uso de las tecnologas. En los sistemas de
reconocimiento destaca el sistema Sphinx desarrollado por la Universidad de Carngie
Mellon. Este sistema ha sido utilizado para crear algunos reconocedores del Proyecto

1
http://www.loquendo.com
2
http://www.acapela-group.com
3
http://www.bell-labs.com

14
DIME. Otras compaas que desarrollan sistemas de reconocimiento son IBM y Macintosh
para los sistemas de dictado en las computadoras.
A pesar de las ventajas que tienen actualmente los sistemas de reconocimiento y sntesis,
existen algunas limitaciones en su funcionamiento. Una de ellas es que el sistema
nicamente reconoce y reproduce palabras u oraciones que tiene en su dominio,4 motivo
por el cual la comunicacin est orientada a un solo tema. Otra dificultad es la falta de
naturalidad de los sistemas que permiten que un sistema informtico tenga una salida vocal,
en las dificultades para reconocer el habla de cualquier persona que se exprese de forma
corriente y hablando de cualquier tema en un entorno real (Llisterri 2003a:253). An as,
dicha tecnologa se ha puesto en uso para productos comerciales como los programas de
dictado para la computadora, los de pronunciacin para la enseanza de lenguas extrajeras,
la marcacin de voz en la telefona y la implementacin de servicio va telefnica de
algunas empresas.

En los siguientes dos apartados se describe la arquitectura de los sistemas de sntesis y


reconocimiento, y los procesos que se llevan a cabo para su funcionamiento. Esto, con el
fin de observar de qu manera colabora la lingstica especficamente la fontica en la
construccin de dichos sistemas.

2.1.1. La sntesis del habla

La sntesis del habla se encarga de recrear artificialmente el habla humana; para ello,
elabora sistemas computacionales llamados sintetizadores. El funcionamiento de los
sintetizadores se basa en la conversin de un texto escrito en habla, por medio de diversos
mdulos con informacin fontica y lingstica que realizan una serie de transformaciones
a la cadena inicial de caracteres ortogrficos hasta convertirla en una onda sonora y
constituye tanto una aplicacin informativa til para acceder mediante el habla a
informacin almacenada en forma escrita como una herramienta de investigacin en

4
Por dominio me refiero a las palabras que le han sido programadas a los sistemas y que, por lo tanto,
conoce y puede reproducirlas o, bien, reconocerlas.

15
fontica que permite validar las hiptesis sobre produccin y percepcin del habla
realizadas desde diversos marcos tericos (Llisterri et al. 1999:459).

A partir de la bsqueda por obtener inteligibilidad y naturalidad en los sintetizadores, se


han creado varias formas para generar el habla artificial; entre ellas, las dos principales son
la sntesis por formantes y la sntesis por concatenacin. La sntesis por formantes toma
parmetros del habla natural como la frecuencia fundamental y a partir de ello se disea
reglas para crear una onda sonora artificial. La sntesis por concatenacin consiste en el
encadenamiento de segmentos del habla previamente grabados. Existen diferentes tipos de
unidades para concatenar, entre los que destacan la sntesis por concatenacin de unidades
y la sntesis por concatenacin de difonos. La primera consiste en la unin de unidades
lingsticas como alfonos, slabas, frases, etc., obtenidas a partir de un corpus oral. La
segunda se caracteriza por hacer el encadenamiento de unidades que abarcan de la mitad de
un primer sonido hasta la mitad del que le precede. A este tipo de unidades se les conoce
como difonos, los cuales tambin son obtenidos a partir de corpus orales. El propsito de
este tipo de sntesis es conservar la naturalidad en la transicin entre dos sonidos (Llisterri
2003a).

El procedimiento que sigue un sintetizador es largo, ya que el texto escrito pasa por
diferentes mdulos hasta generar la seala sonora para su emisin. En la Figura 1 se
muestra el esquema de la arquitectura de un sintetizador.

16
Figura 1. Arquitectura de un sintetizador de habla (Llisterri 2003a:14).

En este esquema se puede observar que el proceso de conversin de texto a habla se divide
en tres fases y, a su vez, cada una de ellas se divide en distintos mdulos. En la primera, de
arriba abajo, se hace un procesamiento previo del texto y se cambia a una ortografa
convencional. Posteriormente, el texto preprocesado se transcribe fonticamente; en esta
fase es importante que el texto que la mquina va a enunciar est correctamente escrito, es
decir, sin palabras que pueden causar ambigedades como las siglas, los nmeros, las
abreviaturas, etc. Por ejemplo, si en una oracin se encuentran escritas las siglas PRD es
necesario escribirlas en el texto a procesar, tal como se pronuncian perred. Esto, con el
propsito de evitar problemas durante la conversin del texto a su representacin fontica.

En la segunda fase, aparece el diccionario de unidades, el cual tiene almacenadas palabras


con su correcta pronunciacin. Cada palabra del texto escrito pasa por el diccionario de
unidades, el cual determina su pronunciacin fontica y remplaza el texto ortogrfico por la

17
transcripcin fontica de la palabra. Una vez obtenida la pronunciacin de cada una, el
texto pasa a un mdulo prosdico, donde es dividido en distintas unidades: oraciones,
frases, proposiciones, etc. Posteriormente, estas unidades pasan al mdulo de
concatenacin. Finalmente, en la tercera fase toma el texto transcrito y concatenado para
transformarlo en seal sonora y emitir el habla sinttica.

2.1.2. El reconocimiento del habla

El reconocimiento del habla, al igual que la sntesis, es un rea interesada en la


comunicacin entre humanos y mquinas, motivo por el cual se dedica a la construccin de
sistemas reconocimiento del habla. De cierta manera, el funcionamiento de estos sistemas
son inversos a los de sntesis, pues su tarea es reconocer la seal acstica del habla humana
y transformarla en texto, o bien, a su representacin simblica lingstica. De esta manera,
las mquinas pueden conocer las necesidades o peticiones del usuario y, del mismo modo,
entablar un dilogo con l.

En sus inicios, los sistemas de reconocimiento estaban bastante limitados por diversos
factores; por ejemplo, slo reconocan palabras aisladas y emitidas por un slo interlocutor.
En la actualidad, la interaccin humano-mquina ha tenido grandes avances, ya que los
sistemas de reconocimiento son capaces de captar el habla de distintos usuarios y pueden
reconocer un gran nmero de oraciones. En la Figura 2 se muestra un esquema de la
arquitectura de un sistema de reconocimiento de habla.

18
Figura 2. Arquitectura de un reconocedor de habla (Llisterri 2003b:15).

Como se puede observar, el reconocimiento se basa en 6 mdulos. El primero es el de la


seal acstica, ubicado en la esquina superior izquierda del esquema. En este mdulo el
sistema capta la seal sonora, la reconoce como habla y la enva al mdulo de anlisis
acstico (ubicado a la derecha del anterior), donde selecciona las caractersticas acsticas
que posee la seal como los formantes, la imagen espectral, el tono y la entonacin.
Posteriormente, esas caractersticas son enviadas al descodificador de mensajes o mdulo
de reconocimiento (que est en el centro del esquema), el cual desentraa el mensaje junto
con los mdulos de los modelos de lenguaje, los modelos acsticos y el diccionario de
pronunciacin (ubicados en la parte inferior del esquema).

Cada uno de los mdulos anteriores desempea un trabajo diferente. En primer lugar, los
modelos acsticos contienen diversas palabras transcritas fonticamente, con el propsito
de hacer una comparacin entre los rasgos acsticos de las palabras almacenadas y los de la
seal sonara emitida por el hablante. En segundo lugar, el mdulo del diccionario de
pronunciacin contiene las palabras que fueron utilizadas para crear los modelos acsticos,
con su pronunciacin correcta y las posibles pronunciaciones por parte del usuario, con el
fin de indicar la secuencia exacta de los sonidos que debe interpretar el reconocedor.
Finalmente, en el mdulo de modelos del lenguaje estn las palabras que pueden preceder a
las palabras utilizadas en el diccionario de pronunciacin (Tapias 2002).

19
El reconocimiento del habla se lleva a cabo cuando el sistema capta una seal sonora y sta
se alinea con su representacin fontica en una secuencia de smbolos fonticos formada a
partir de la concatenacin de una o ms pronunciaciones previamente almacenadas en el
diccionario de pronunciacin. Cuando se logra realizar esta alineacin, se resuelven de
manera simultnea el problema de segmentar la seal en una secuencia de palabras y el
reconocimiento de la voz propiamente (Pineda 2008:20).

Pineda (2008:21) menciona que para que los recursos destinados a la construccin de
reconocedores sean de utilidad deben recopilarse de manera emprica y analizarse a partir
de una base fontica slida para el lenguaje. Dado el estado de la tecnologa, para crear
reconocedores de calidad se requiere, adems de conocer las herramientas y algoritmos de
computo mencionados, contar con un recuso lingstico con una buena base emprica.

2.2. La fontica en las tecnologas del habla

En las tecnologas del habla, la fontica se encarga de describir los sonidos, de asignarles
una representacin simblica y de establecer un conjunto de reglas que determinan las
caractersticas acsticas de cada unidad y la forma de concatenarlas (Llisterri 2003a:264).
Su participacin en las tecnologas del habla es de suma importancia, pues para que se
logren mayores avances tecnolgicos en la construccin de sistemas de sntesis y
reconocimiento, se requiere tener un nivel superior de conocimientos fonticos, con los
cuales se puede seguir desarrollando y perfeccionando dichos sistemas (Aguilar et al.
1994).

La fontica participa en varias fases de la elaboracin de los sistemas de reconocimiento.


En primer lugar, es necesario recopilar corpus orales (de los cuales se hablar ms
detalladamente en 3.2.), para ello se necesita de la colaboracin de la dialectologa, la cual
determinar los diversos dialectos de una lengua con el fin de obtener registros de cada una
de ellas para compilarlos dentro del corpus; de esta manera, el reconocedor poseer amplias
muestras y no tendr dificultades para reconocer distintos acentos del habla (Llisterri

20
2003b). Si por el contrario, el reconocedor es para una comunidad en particular, basta con
recopilar muestras del dialecto para el cual va a ser destinado.

Una vez recopilado el corpus, se transcribe fontica y ortogrficamente y se alinea


temporalmente con su imagen acstica. En esta fase, el fonetista participa en la
segmentacin la seal sonora y en la transcripcin de cada uno de los sonidos con base en
un alfabeto fontico computacional. Cabe mencionar que muchas veces no se cuenta con
gente especializada para llevar a cabo esta labor, y es all donde este trabajo de tesis tendr
uso, pues contiene la informacin necesaria para aprender a segmentar la seal sonora y
hacer la transcripcin de los alfonos.

Cuando el corpus ya ha sido transcrito, se comienzan a crear los distintos mdulos del
reconocedor. La fontica participa directamente en dos de ellos: en los modelos acsticos y
en el diccionario de pronunciacin. En el primero, se extraen del corpus los distintos rasgos
acsticos que se obtuvieron y se representan con smbolos que forman parte de un alfabeto
fontico computacional. En el segundo, se almacenan las palabras del corpus transcritas
fonticamente con su pronunciacin correcta y las distintas pronunciaciones que el hablante
puede realizar.

En la construccin de sistemas de sntesis, la fontica tambin tiene amplias labores como:

1) La implementacin de reglas de transcripcin fontica automtica que establecen las


correspondencias entre grafas y alfonos, la silabicacin y la acentuacin, complementadas
por diccionarios de pronunciacin para el tratamiento de excepciones.
2) La elaboracin de distintos modelos para los sintetizadores, por ejemplo:
Modelos de duracin segmental, que consideren los diversos factores que
influyen en la duracin y basados en datos procedentes de corpus
representativos.
Modelos de intensidad segmental que, igualmente, consideren los factores que
inciden en la intensidad y procedan de corpus representativos.
Modelos de asignacin de pausas, que contemplen tanto las marcadas mediante
signos de puntuacin como las no marcadas.
Modelos de entonacin que permiten generar una curva meldica natural,
teniendo en cuenta factores fonticos, sintcticos, semnticos y pragmticos
(Llisterri 2007:25).

21
Como podemos observar, la fontica tiene una participacin fundamental en las
aplicaciones de las tecnologas del habla, ya que brinda diversas herramientas para el
tratamiento del habla, tales como alfabetos fonticos o datos acsticos para su registro, sin
las cuales no seria posible la construccin de los sistemas de sntesis y reconocimiento
(Llisterri 1991). Una de las ramas de la fontica que participa de manera relevante en las
tecnologas del habla es la fontica instrumental, la cual basa sus investigaciones en los
resultados obtenidos mediante instrumentos que registran el habla y permiten hacer un
anlisis acstico de ella.

2.2.1. La fontica instrumental

En los ltimos aos, la fontica ha recurrido a varios recursos para el estudio de la lengua.
De la misma manera, otras disciplinas han necesitado de ella para llevar a cabo su trabajo,
como es caso de la computacin y de la informtica, entre otras.

La fontica tiene varias ramas de estudio, una de ellas es la fontica instrumental, llamada
as porque basa sus estudios en distintos instrumentos para la medicin y el anlisis del
registro acstico del habla (Sol 1985). Esta rama de la fontica ha crecido junto con la
tecnologa, pues sta le ha brindado instrumentos que le han permitido estudiar de manera
ms exacta los fenmenos de la lengua, favoreciendo la creacin de nuevas hiptesis y
teoras (Llisterri 1991). Otras disciplinas tambin se han beneficiado de este avance, como
las tecnologas del habla y sus aplicaciones.

La fontica instrumental no es necesariamente una disciplina joven y ha pasado por un


largo proceso para obtener los instrumentos de los que goza hoy en da. A continuacin se
hace una breve exposicin de algunos de los instrumentos que se han desarrollado a lo
largo de la historia.

22
2.2.1.1. Antecedentes

Los primeros instrumentos que se utilizaron para el estudio de la fontica fueron poco
sofisticados, pero marcaron un gran comienzo para las tecnologas. Uno de los primeros
instrumentos fue el palatgrafo. Este instrumento constaba de un paladar artificial que,
cuando se utilizaba, se cubra con una sustancia especial. Posteriormente, el hablante meta
el paladar dentro de su boca y cuando pronunciaba cualquier sonido, diferentes partes del
paladar se quedaban sin la sustancia, delimitando la zona en la que la lengua tena contacto
con el paladar. Este instrumento nicamente brindaba datos sobre la articulacin de la
cavidad oral, sin determinar la forma de la boca durante la pronunciacin. En la dcada de
los ochentas, aun se segua utilizando el mtodo palatogrfico con el mismo fin, pero se
dej de usar el paladar artificial y la sustancia se colocaba en el paladar del hablante

Posteriormente, naci el mtodo plastogrfico, que consista al igual que en el


palatgrafo en introducir un paladar artificial en la boca. Este paladar estaba formado por
hilos de estao, los cuales se doblaban segn la forma de la lengua al emitir los sonidos.
Este mtodo aportaba registros sobre la articulacin de la cavidad oral, brindaba imgenes
de la articulacin de la cavidad bucal y daba informacin ms completa que la obtenida con
el palatgrafo (Gil 1999).

Otros instrumentos para el estudio del habla fueron aquellos que buscaban la manera de
medir la onda sonora, como el quimgrafo, inventado en 1847 por Karl Ludwing. Este era
un aparato cilndrico que meda el movimiento muscular, al mismo tiempo que lo grababa
con un estilete apoyado en papel ahumado. Actualmente, el quimgrafo usa mecanismos
elctricos que miden el flujo del aire y los movimientos de los rganos, aunque, en gran
parte, ha sido desplazado por el polgrafo. Tiempo despus se crearon los resonadores de
Helmboltz, que se inventaron por el cientfico de quien llevan su nombre. El objetivo de
stos era recrear los sonidos de las vocales por medio de resonadores naturales (Gil 1999).
Los resonadores eran unos objetos esfricos con dos orificios en los polos, uno de ellos de
gran tamao, y el otro pequeo, parecido a una boquilla de embudo, adaptado para
introducirlo en el odo (Helmholtz 1877/1954). El uso de estos aparatos consista en emitir

23
un sonido por el orificio superior; mientras que por el otro se perciba su resonancia. En la
Figura 3 se puede observa la imagen de un resonador.

Figura 3. Imagen de un resonador (Helmholtz 1877/1954:43).

Entre los aparatos actuales y sofisticados se encuentran el oscilgrafo y el espectrgrafo. El


oscilgrafo es un instrumento electrnico que capta las ondas sonoras y las reproduce
grficamente en una pantalla; en ella las ondas aparecen como una lnea luminosa que se
desplazan vertical y horizontalmente en el tiempo. De esta menara, se obtiene una
descripcin del perodo y la amplitud de la onda sonora (Gil 1999).

El espectrgrafo fue desarrollado en los laboratorios americanos de Bell Telephone Co.


durante el decenio 1930-1940, el principal objetivo de sus diseadores fue encontrar un
mtodo para volver visible el habla de forma que los sordos pudieran leerla y vieran, as,
aumentadas sus posibilidades de comunicacin (Gil 1999:53). Con este instrumento se
puede analizar la onda compleja, ya que la descompone en sus distintos armnicos;
tambin, proporciona informacin sobre la intensidad glotal de los sonidos y sobre la
amplitud de cada uno de sus componentes (Gil 1999:57). El espectrgrafo consta de tres
mdulos: el primero es un sistema de grabacin, el segundo un filtro de frecuencias y el
tercero una aguja que dibuja la onda sonora sobre papel.

Figura 4. Espectrgrafo (Gil 1990:53).

24
Para utilizar este aparato es necesario contar con una grabacin, la cual puede hacerse
desde el micrfono del espectrgrafo, o bien, tener hecha una de manera previa. Primero,
esa grabacin pasa por el mdulo de filtrado, el cual selecciona algunas bandas de
frecuencia, dependiendo de los mrgenes del filtro, para establecer la frecuencia
fundamental y convertirla en corriente elctrica. Posteriormente, la corriente elctrica es
transmitida a la aguja y sta, a su vez, transcribe en el papel la frecuencia fundamental y los
armnicos de las ondas complejas.

Actualmente, tanto el oscilograma como el espectrograma han dejado de ser aparatos y se


han consolidado como programas computacionales, con los que se puede trabajar de
manera simultnea y son de fcil acceso. Adems, cuentan con una banda de tiempo, que
permite presentar la trayectoria de los formantes y por tanto obtener informacin sobre las
transiciones de un sonido a otro (Llisterri et al. 1999:453). Cualquier persona puede
instalar en su computadora un programa de anlisis de habla que cuente con oscilogramas y
espectrogramas. Uno de ellos es el Speech View, creado por el Center for Spoken Lenguaje
Undestanding (CSLU) del Oregon Graduate Institute (OGI).5 En el Captulo 3 se hablar
acerca del uso de esta herramienta, debido a que es la que se utiliz para las imgenes
espectrogrficas que ilustran el Manual.

2.2.1.2. Alfabetos fonticos

Los alfabetos fonticos son otro tipo herramienta que sirven para el estudio de la lengua.
Cada lengua posee un gran nmero de sonidos, los cuales pueden estar o estn
representados por smbolos que forman parte de alfabetos fonticos. A lo largo del tiempo
ha habido distintas propuestas de alfabetos fonticos para el espaol; sin embargo, en la
actualidad dos son los ms conocidos en el mundo hispnico: el alfabeto de la Revista de
Filologa Espaola (RFE) y el International Phonetic Alphabet (IPA). Cabe mencionar que
el primer alfabeto RFE es un alfabeto nicamente para el espaol y sus variantes, mientras
que el IPA documenta un gran nmero de sonidos de distintas lenguas del mundo.

5
http://cslu.cse.ogi.edu/

25
La Revista de Filologa Espaola se fund en 1914. Una de sus tareas fue elaborar un
alfabeto fontico que describiera los sonidos del espaol y de algunas de sus variantes; la
elaboracin de este alfabeto era necesaria para que se utilizara en estudios lingsticos
llevados a cabo por la misma revista. En 1915 La Revista public el alfabeto que, hasta la
fecha, es conocido bajo el nombre del alfabeto de la Revista de Filologa Espaola, o bien,
alfabeto hispanista. Este alfabeto ha sido lo suficientemente consistente para la
transcripcin de los sonidos del espaol, motivo por el cual ha sido utilizado para varios
estudios; sin embargo, en los ltimos aos, el uso del alfabeto IPA ha incrementado de
forma importante en los estudios lingsticos del espaol (Mota et al. 1995).

La Asociacin Fontica Internacional (AFI) se fund en 1986. Uno de sus objetivos fue
crear un alfabeto fontico para las diversas lenguas del mundo, el cual fue llamado
International Phonetic Alphabet (IPA). Con este alfabeto se buscaba la unificacin y la
consistencia en la representacin de los sonidos para las distintas lenguas del mundo; para
ello la Asociacin tom las representaciones del alfabeto romnico. En 1999 la AFI public
un libro llamado Handbook of the International Phonetic Association. A guide to the use of
the International Phonetic Alphabet; en ste se justifica haber tomado el alfabeto romano
para las representaciones de su alfabeto: The IPA is based on the Roman alphabet, which
has the advantage of being widely familiar, but also includes letters and additional symbols
from variety sources. These additions are necessary because de variety of the sound in
languages is much grater than the number of letters in the Roman alphabet (IPA 1993:3).
En este libro, tambin da una serie de usos para el alfabeto aplicables a las tecnologas
emergentes: The IPA can be used for many purposes. For instances, it can be used as a
way to show pronunciation in a dictionary, to record language in linguistic fieldwork, to
form the basis of a writing system for a language, or annotate acoustic and other displays in
the analysis of speech. For all these tasks it is necessary to have a generally agreed set of
symbols for designating sounds unambiguously, and the IPA aims to fulfil this role (IPA
1993:3). Hasta la fecha, la Asociacin Fontica Internacional se ha preocupado por los
avances de su alfabeto y lo ha llevado al margen de las tecnologas, de manera que ahora,
se puede trabajar con l en las computadoras, pues ha hecho un sistema de fuentes

26
fonticas, las cuales pueden ser descargadas gratuitamente de la red electrnica mundial.
Estas fuentes tambin cuentan con cdigos numricos decimales y hexadecimales.

En las investigaciones de la lingstica computacional se utiliza otro tipo alfabetos llamados


alfabetos fonticos computacionales. Existen varios alfabetos como el Speech Assessment
Methods Phonetic Alphabet (SAMPA), el cual fue creado por el proyecto ESPRIT para las
lenguas europeas. Posteriormente se cre el alfabeto X-SAMPA, que fue una ampliacin de
SAMPA para los elementos prosdicos del habla.

Posteriormente, se cre el alfabeto Worldbet por James Hieronymus (1994), para su uso en
los proyectos del habla de los Laboratorios Bell. La creacin de Worldbet fue motivada a
partir de que los alfabetos como SAMPA y X-SAMPA estaban hechos para lenguas
europeas, y no abarcaban representaciones para los sonidos de otras. Con Worldbet,
Hieronymus buscaba representar todas las lenguas del mundo; para ello tom smbolos del
cdigo ASCII, de manera que las representaciones fonticas fueran parecidas a las del IPA.
Tambin, incluy otros smbolos que resultaban consistentes para la transcripcin de los
sonidos de las distintas lenguas; con el propsito de que su alfabeto fuera lo
suficientemente robusto para poder hacer transcripciones en varias lenguas (Hieronymus
1994).

Otro alfabeto fontico computacional es OGIbet (Oregon Graduate Institute Alfabet),


creado por el Oregon Graduate Institute, con el propsito de transcribir fonticamente los
corpus orales, para estudios lingsticos del ingls desarrollados por el Center for Spoken
Lenguaje Undestanding (CSLU) (Lander 1997).

En Mxico se cre un alfabeto fontico computacional llamado Mexbet (Cutara 2004).


Este alfabeto documenta los alfonos del espaol de la ciudad de Mxico y se cre para
utilizarse en proyectos de tecnologas del habla en nuestro pas. En el Captulo 3 se hablar
ms detalladamente sobre el alfabeto Mexbet.

27
En este captulo se ha hecho una revisin de las diferentes ramas de la lingstica
computacional. De ellas, se profundiz en las tecnologas del habla, mencionando dos de
sus aplicaciones que son los sistemas de sntesis y reconocimiento del habla. Esto, con el
propsito de destacar los trabajos en los que colabora la fontica para la construccin de
dichos sistemas. Posteriormente, se hizo mencin a la fontica instrumental, abordando los
diversos instrumentos que ha utilizado para los estudios del habla. Finalmente, se
describieron los principales alfabetos fonticos para el espaol y, a partir de ellos, se
mencionaron algunos alfabetos fonticos computacionales. En el siguiente captulo se dar
un panorama al Proyecto DIME, ya que es en el que se inserta este trabajo de tesis.
Despus, se hablar sobre los procesos de recoleccin y transcripcin de corpus en el marco
del Proyecto, con el objetivo de exponer las labores fonticas dentro del mismo.

28
3. Las tecnologas del habla en Mxico:
El Proyecto DIME

En este captulo se presenta el Proyecto DIME, se habla sobre los recursos lingsticos y
computacionales que ha desarrollado para la construccin de sistemas de reconocimiento.
De estos recursos, se describe con ms detenimiento el Corpus DIMEx100, por ser ste el
corpus con el que se ilustra el Manual que se propone en esta tesis. Posteriormente, se
describen los procesos de segmentacin y transcripcin fontica computacionales, con el
propsito de precisar las tareas en las que tendr uso el Manual. Para finalizar, se presentan
las herramientas que ha utilizado el Proyecto DIME para la transcripcin de sus corpus
orales, tales como el alfabeto fontico Mexbet y el programa Speech View.

Dentro de los proyectos de las tecnologas del habla en Mxico, se resalta la participacin
del Proyecto de Dilogos Inteligentes Multimodales en Espaol (DIME). Este proyecto
comenz a desarrollarse en el Departamento de Ciencias de la Computacin del Instituto de
Matemticas Aplicadas y en Sistemas (IIMAS) de la Universidad Nacional Autnoma de
Mxico, en 1998, bajo la direccin del Dr. Luis A. Pineda Corts, quien coordina un equipo
de investigadores, tcnicos y estudiantes (Pineda 2008). El objetivo principal de DIME fue
desarrollar sistemas computacionales conversacionales para el espaol de Mxico; es decir,
desarrollar sistemas tecnolgicos del habla para lograr la interaccin entre humanos y
mquinas. Para ello, se fijaron tres tareas iniciales: The first consist in the compilation,
transcription and tagging of a multimodal corpus in a design domain; the second is the
development of a Spanish speech recognition system specialized in the language employed
in the application domain; the third is a definition of a Spanish grammar and parser for
Spanish comprehensive enough to interpret the lexicon and grammar observed in the DIME
corpus (Pineda et al. 2002:166); que posteriormente se extendieron para completar todos
los mdulos necesarios en los sistemas de dilogo multimodales.

Como se puede notar, desde sus inicios el Proyecto DIME ha llevado a cabo diferentes
investigaciones enfocadas al desarrollo de los sistemas conversacionales. Estas
29
investigaciones han sido multidisciplinarias, ya que en ellas han intervenido diferentes
campos de estudio. Por ejemplo, dentro de la lingstica resaltan diversas investigaciones
fonticas, fonolgicas, gramaticales, semnticas y pragmticas; en el rea de la
computacin destaca la construccin de sistemas de reconocimiento del habla. En algunas
de las investigaciones, el Proyecto ha trabajado en conjunto con otros grupos nacionales,
como el Instituto Nacional de Astrofsica, ptica y Electrnica (INAOE); e internacionales,
como el Institute for Human and Machine Cognition de la Universidad de Rochester en el
Estado de Nueva York, en los Estados Unidos, y el Departamento de Filologa Espaola, de
la Universidad Autnoma de Barcelona, en Espaa. La colaboracin con estos y otros
grupos ha servido para que las investigaciones del Proyecto se enriquezcan con los avances
de otros desarrollos cientficos similares.

Actualmente, el Proyecto DIME cuenta con diversos recursos lingsticos y


computacionales; por ejemplo, corpus orales y diversos sistemas de reconocimiento. Estos
recursos, a parte de servir como base para diversas investigaciones, han sido
implementados en el Proyecto Golem; cuyo objetivo ha sido el desarrollo de un robot capaz
de conversar en el espaol hablado en Mxico, entre otras aplicaciones.

Los corpus orales que ha compilado el Proyecto son: El Corpus DIME y el Corpus
DIMEx100. stos han servido para hacer investigaciones lingsticas y, de manera
especfica, para la elaboracin de los diccionarios de pronunciacin y los modelos acsticos
de los sistemas de reconocimiento.

El primer corpus que se recolect fue el Corpus DIME, el cual se hizo con el objetivo de
obtener dilogos en espaol de Mxico para el anlisis de los actos del habla y para
elaborar los modelos acsticos de los sistemas de reconocimiento (Villaseor et al. 2001).
Este primer corpus se recopil con base en el protocolo Mago de OZ, el cual propone un
escenario en el que se tiene a una persona (el mago) que interpreta el papel de un sistema y
a diferentes usuarios, quienes, uno a uno, interactan oralmente con el sistema para resolver
determinada tarea con ayuda del mago. La persona que juega el papel del sistema es
previamente instruida para actuar como un sistema computacional, no como humano; es

30
decir, debe limitar su expresividad y puede ayudar al usuario slo cuando est ignorando o
transgrediendo las reglas, entre otras caractersticas.
De esta manera, el usuario piensa que realmente est interactuando con un sistema
inteligente (Villaseor et al. 2001). Este protocolo permite observar las caractersticas del
habla espontnea, como el lxico, la sintaxis, etc. De igual forma, permite estudiar la
interaccin del humano con la mquina.

La tarea que se determin para la recoleccin del Corpus DIME fue disear una cocina;
esta tarea se eligi por ser un tema sencillo y comn para todos lo usuarios. Adems, esta
accin generara varias referencias espaciales y direccionales que posteriormente
resultaran tiles para analizar y disear un sistema de dilogo hombre-mquina. Para el
diseo de la cocina, el sistema mostraba en la pantalla un men con varios elementos para
la decoracin y dos planos de la cocina: uno de dos dimensiones y otro de tres; stos
servan para que el usuario viera la disposicin del lugar y las medidas de los muebles.
Durante la grabacin, el usuario interactuaba oralmente con el sistema para elegir,
acomodar y mover los muebles a un determinado lugar del plano.

Figura 5. Imagen de la interfaz del programa de diseo de cocinas (Pineda 2008).

El Corpus DIME qued constituido por 31 dilogos y un total de 7:10 horas de grabacin.
Los dilogos fueron grabados por 16 personas, con una edad promedio de 30 aos (Pineda

31
et al. 2002). La zona geogrfica fue tomada al azar, con la finalidad de obtener muestras
generales de la lengua. Este corpus ha servido para modelar los actos de habla durante el
discurso, los cuales han sido utilizados para el mdulo de interpretacin del sistema de
reconocimiento del habla y para tener una gua del lxico y la gramtica espaola
(Villaseor et al. 2001).

3.1. El Corpus DIMEx100

Como se mencion en el apartado anterior, una de las tareas del Proyecto DIME fue la
construccin de los modelos acsticos y los diccionarios de pronunciacin para la
programacin de sistemas de reconocimiento, con ese fin se recopil el Corpus DIMEx100
(Pineda et al. 2004, 2010). Como el corpus estaba destinado para esos propsitos, se
elabor conforme a caractersticas especficas. Por una parte, el registro del habla no deba
de ser espontneo, sino por el contrario con una pronunciacin cuidada y controlada; es
decir, el hablante deba pronunciar las palabras claramente, para obtener muestras optimas
de cada sonido para los modelos acsticos. Por otra parte, la grabacin no deba presentar
ruidos externos a la voz para obtener buenas muestras de los alfonos; por ese motivo, fue
grabado dentro de una cabina de audio.6

Para la recopilacin del Corpus DIMEx100, en primer lugar, se hizo una recoleccin de
oraciones de la Web, se tom este medio porque se le consider un recurso lingstico
amplio, consistente y equilibrado. El resultado de esa recopilacin fue el Corpus230, el cual
qued conformado por 344,619 oraciones (Pineda et al. 2004, 2010). A partir de ese primer
corpus, se extrajeron aquellas oraciones que estaban conformadas por un rango de 5 a 15
palabras, quedando con un total de 15000 oraciones, las cuales fueron ordenadas de menor
a mayor de acuerdo a su valor de perplejidad. La perplejidad es a commonly used measure
of the goodness of a language model that could be intuitively thought of representing the

6
The corpus was recorded in a sound study at CCADET, UNAM, with a Single Diaphragm Studio
Condenser Microphone Behringe B-1, a Sound Blaster Audigy Platimun ex (24 bit/96khz/100db SNR) using
the Wave Labe program; the sampling format is mono at 16 bits, and the sampling rate is 44.1 khz (Pineda
et. al 2004:976).

32
average number of word choices at every predictive step; the lower the number, the better
(Pineda et al. 2010:349). As, el grupo de menor perplejidad estaba compuesto por las
palabras a las que podan precederle un menor nmero de palabras distintas dentro de una
frase, y que contena un alto grado de informacin; y el de mayor perplejidad estaba
formado por aquellas palabras que podan sucederles un mayor nmero de palabras. Se
tomaron las oraciones que posean el valor ms bajo de perplejidad, quedando con un total
de 7000; de esas oraciones, se eliminaron aquellas que contenan palabras en otro idioma,
abreviaturas o siglas inusuales, y se conservaron algunas con siglas usuales para facilitar el
proceso de lectura (Pineda et al. 2004, 2010). Finalmente, se constituy un corpus de 5010
oraciones, las cuales estaban destinadas para ser ledas y conformar el Corpus DIMEx100
(Pineda et al. 2004, 2010). Estas frases se seleccionaron porque mostraban equilibrio entre
la frecuencia de aparicin y el nmero de muestras por cada unidad fontica en relacin con
el inventario alofnico del alfabeto Mexbet (Pineda et al. 2004, 2010).

Para la recopilacin del corpus oral se utilizaron 100 hablantes, los cuales leyeron 60
oraciones cada uno: 50 distintas y 10 iguales para todos. Estas 10 oraciones iguales fueron
grabadas por todos los hablantes con el fin de obtener diferentes muestras de las
realizaciones de los alfonos, para su uso en estudios orientados a la identificacin y
caracterizacin de hablantes (Pineda et al. 2004, 2010). As, el corpus qued constituido
por 6000 archivos de audio, de los cuales 5000 son diferentes y 1000 idnticos. Las
variantes sociolingsticas que se tomaron en cuenta fueron la edad: con un rango de 16 a
36 aos; el nivel de educacin: de secundaria en adelante; y el lugar de nacimiento: ciudad
de Mxico. La edad promedio de los hablantes fue de 23.82 aos; el 87% eran de nivel
licenciatura y los dems graduados. El 82% de los hablantes nacieron en la ciudad de
Mxico, y 18% eran de otros lugares, pero residan en la ciudad. Cabe mencionar que una
parte de los hablantes que constituyeron el corpus fueron investigadores, profesores,
estudiantes y trabajadores de la UNAM (Pineda et al. 2004, 2010).

Dentro de la variante gnero, el corpus qued balanceado: el 49% de los hablantes fueron
del sexo masculino y el 51% femenino. En cuanto a la variable lingstica, se control que
aparecieran todas las unidades fonticas del espaol de la ciudad de Mxico y que su

33
ocurrencia dentro del corpus ascendiera a un nmero significativo y equilibrado, para que
pudiera funcionar como un recurso eficiente para la construccin de sistemas de
reconocimiento de habla (Pineda et al. 2004, 2010).

Una vez recopilado el corpus, se transcribi ortogrfica y fonticamente; para esta tarea se
utiliz el alfabeto fontico computacional Mexbet (Cutara 2004), el cual describe los
sonidos del espaol hablado en la ciudad de Mxico. El corpus se transcribi en cuatro
niveles diferentes: T54, T44, T22 y Tp (Pineda et al. 2004, 2010). En los primeros tres
niveles, la T hace referencia a transcripcin, y el nmero (54, 44 y 22) a la cantidad de
alfonos con los que cuenta cada nivel. El nivel Tp hace referencia a la transcripcin
ortogrfica por palabra. Los niveles de transcripcin T54 y T44 corresponden a una
transcripcin fontica, mientras que el nivel T22 corresponde a una transcripcin
fonolgica (Pineda et al. 2010). En 3.4. se hablar ms a fondo sobre el alfabeto Mexbet y
los niveles de transcripcin.

La herramienta que se us para la segmentacin y transcripcin del corpus fue el Speech


View del CSLU TOOLKIT, elaborado por el Center for Spoken Language Understanding
(CSLU) del Oregon Graduate Institute (OGI) (Pineda et al. 2010). Esta herramienta
computacional permite el registro, estudio y anlisis del habla; para ello, cuenta con varias
herramientas como oscilogramas y espectrogramas que ofrecen la imagen de la seal
acstica, tambin cuenta con otras ventanas para la transcripcin en etiquetas y su
alineacin con la seal acstica y su imagen.

Para comprobar que el Corpus DIMEx100 es un recurso lingstico completo y fiable, tanto
para su uso en investigaciones lingsticas como para la elaboracin de los sistemas de
reconocimiento, se hicieron varios experimentos que consistieron en la construccin y
evaluacin de los modelos acsticos de cada nivel de transcripcin (Pineda et al. 2010). Los
datos que se utilizaron para dichos modelos fueron las 5000 oraciones del Corpus
DIMEx100; no se usaron las 10 oraciones idnticas, grabadas por todos los hablantes. Se
usaron los mismos datos para la construccin de los modelos acsticos y los diccionarios de
pronunciacin, con el fin de poder comparar los resultados de las pruebas (Pineda et al.

34
2010). Los experimentos de reconocimiento y la evaluacin de los mismos se llevaron a
cabo con el sistema de reconocimiento Sphinx speech recognizer (Sphinx 2006).

A partir de estos experimentos, se obtuvieron diversos resultados. Entre ellos, se comprob


que la informacin fontica que aporta el corpus permite la construccin de los modelos
acsticos y de los modelos de lenguaje en los tres niveles de transcripcin. Del mismo
modo, dichos niveles de transcripcin tiene un porcentaje similar en el desempeo del
reconocedor. La mayor contribucin de estos resultados fue probar que los modelos
acsticos tienen un alto porcentaje en el reconocimiento, a pesar de que los modelos de
lenguaje sean bsicos. Tambin se encontr que un nivel de transcripcin fontica estrecha
representa ms tiempo para el reconocimiento, debido a que se cuenta con amplias muestras
en el modelo acstico7 (Pineda et al. 2010). Con estos resultados se espera que este recurso
pueda ser utilizado para estudios fonticos y para la construccin de diversas herramientas
computacionales, como son la construccin de fonetizadores con variacin alofnica,
aplicados a la elaboracin automtica de diccionarios fonticos y a los sistemas de
transcripcin automtica (Pineda et al. 2010).

Con los resultados de los experimentos anteriores se construy el sistema de


reconocimiento DIMEx100, que se implement para un nuevo proyecto, llamado El
Proyecto Golem. Este proyecto consisti en la programacin de un robot, que es capaz de
interactuar con las personas por medio del habla, la vista y el movimiento, ya que se le
implement un conjunto de sistemas computacionales: un manejador de dilogo, sistemas
de reconocimiento y sntesis para la conversacin; as como sistemas de visin, navegacin
y actuadores, para la interaccin. La funcin del robot Golem es dar una gua a los
visitantes del departamento, exponiendo mediante carteles las investigaciones que se
desarrollan en el Departamento de Ciencias de la Computacin del IIMAS de la UNAM
(Pineda 2008). Para que Golem tuviera conocimiento, especficamente en el mbito
conversacional, se cre un conjunto de modelos de dilogo en los que se representa tanto
el esquema conversacional para llevar a cabo las visitas como el contenido conceptual al

7
En Pineda et al. 2010 se reportan otros tipos de resultados y estadsticas, como el nmero y la frecuencia de
alfonos en el corpus, la representacin de alfonos en los tres niveles de transcripcin, el desempeo del
sistema de reconocimiento en cada nivel de transcripcin, entre otros.

35
que es posible referirse durante la conversacin (Pineda 2008:25). De esta manera, el
robot interacta con el usuario por medio de preguntas, respuestas, peticiones y
explicaciones. El robot Golem es una muestra de la aplicacin de las tecnologas del habla
en la sociedad y de cmo pueden ser implementadas en la vida cotidiana. Un sistema
conversacional, que no debe ser necesariamente un robot, puede ser usado para dar guas en
museos, a turistas, en un tutorial, en ventas va telefnicas, en mquinas, en juegos, etc.
(Pineda 2008).

3.2. Corpus orales

Los resultados de los estudios de muchos investigadores de la lengua estn basados en la


recoleccin de datos reales; para obtener dichos datos es necesario hacer la recopilacin de
un corpus. Torruella y Llisterri (1999:52) definen un corpus como un conjunto homogneo
de muestras de la lengua de cualquier tipo (orales, escritos, literarios, coloquiales, etc.) los
cuales se toman como un modelo de un estado o nivel de la lengua predeterminado.

En general, las muestras textuales u orales tomadas del habla comn suelen reflejar y
brindar datos sobre el fenmeno a estudiar; para que estos datos sean eficientes y muestren
en mayor medida resultados fidedignos es necesario hacer grandes recolecciones de
muestras, lo que resulta un trabajo duro y de difcil control para contabilizarlas y tener
manejo sobre ellas manualmente. Sin embargo, en la actualidad la computacin ha brindado
valiosas herramientas que de alguna manera facilitan la recopilacin y la organizacin de
datos, tales como los programas de almacenamiento para archivos de texto o de audio. Este
tipo de herramientas ha ayudado a que el investigador que se enfrenta a documentos con
grandes cantidades de datos pueda tener un mejor control de ellos (Torruella y Llisterri
1999).

Los corpus pueden tener diferentes finalidades de estudio dentro de las diversas ramas de la
lingstica como la sintaxis, la semntica, la fonologa, la fontica, etc. As mismo, puede
tener distintas utilidades, pero su funcin principal es establecer la relacin entre la teora

36
y los datos; el corpus tiene que mostrar a pequea escala cmo funciona una lengua natural;
pero para ello es necesario que est diseado correctamente sobre unas bases estadsticas
apropiadas que aseguren que el resultado sea efectivamente un modelo de la realidad
(Torruella y Llisterri 1999:45-46). Un corpus suele estar diseado para un inters
especfico, aunque puede tener diversos usos. Los corpus para los estudios fonticos deben
ser forzosamente orales, para que reflejen los fenmenos que ocurren durante el habla; por
lo tanto, lo ptimo es que sean conversaciones de habla espontnea; sin embargo, tambin
puede ser corpus constituidos por oraciones ledas.

Algunas de las investigaciones de las tecnologas del habla tambin requieren de compilar
corpus orales, pues estos son herramientas de estudio imprescindibles. Para los sistemas de
sntesis del habla (conversin texto a habla), los corpus sirven para obtener grandes
cantidades de unidades fonticas, con las cuales se har la conversin de la representacin
simblica a la onda sonora (Rafel y Soler 2003). Para los sistemas de reconocimiento del
habla, los corpus sirven para extraer las unidades fonticas que se utilizarn para los
modelos acsticos, pues a partir de la onda sonora se genera una representacin (Rafel y
Soler 2003); por ello, generalmente, se basan en palabras aisladas o en frases
fonticamente equilibradas (Llisterri y Poch 1994:2.3). Tambin son esenciales para el
entrenamiento y la validacin de los sistemas de reconocimiento y de dilogo en entornos
de comunicacin persona mquina, cuyas aplicaciones se extienden desde la oferta de
servicios telefnicos automatizados hasta las ayudas para personas con discapacidades
(Torruella y Llisterri 1999:49); por lo tanto, los corpus que requieren las tecnologas del
habla deben ser grabados en formato electrnico para su utilizacin informtica.

El diseo de los corpus debe estar confeccionado conforme a la tarea para la que ser
destinado, como es el caso del Corpus DIMEx100. Este corpus se recopil para la creacin
de diccionarios de pronunciacin y de modelos acsticos; por lo tanto, se dise conforme
a parmetros tcnicos, lingsticos y sociales. Dentro de los parmetros tcnicos, se aseguro
que los archivos de audio no tuvieran ruidos del exterior; es decir, nicamente se deba
escuchar la voz del hablante y ste, por su parte, deba leer fluidamente y sin errores las
oraciones que se le haban asignado. En los parmetros lingsticos se cuid que el corpus

37
contuviera un nmero representativo y equilibrado de muestras de los alfonos. Finalmente,
en los parmetros sociolingsticos, se tom en cuenta la edad, el nivel escolar y lugar de
nacimiento de los hablantes.

En las ltimas dcadas, los corpus orales y textuales en formato electrnico han tenido gran
auge en cualquier tipo de estudio, por la facilidad que ofrecen en la organizacin,
contabilizacin y control de grandes bases de datos. En la fontica las grabaciones en
formato pueden ser analizadas con herramientas computacionales especializadas en el
registro del habla, lo que ha permitido que se obtengan resultados ms exactos de los
fenmenos que ocurren en el habla.

3.3. Segmentacin y transcripcin fontica computacionales de corpus


orales

La transcripcin de un corpus o de algn documento es una labor que se lleva a cabo en


varias disciplinas, como en la psicologa, la antropologa, la sociologa, entre otras (Gibbon
et al. 1997). En la lingstica, la transcripcin de un corpus es un trabajo esencial, ya que
por medio de ella se obtienen datos para el estudio de la lengua. Dependiendo de sus fines,
la transcripcin se puede hacer en diferentes unidades lingsticas, como slabas, unidades
sintcticas, lxicas, fonolgicas, fonticas, prosdicas, actos de habla, etc. (Rafel y Soler
2003).

En los corpus hechos para sistemas de reconocimiento tambin se puede optar por algn
nivel de la lengua para transcribirlo, aunque esto depender de las necesidades en
particular. Por un lado, si se quiere un anlisis ms general se puede optar por la
transcripcin fonolgica y prescindir de la fontica, ya que los fonemas se configuran
como una unidad natural que dota de gran flexibilidad al sistema, y que resulta econmica
desde el punto de vista del nmero de unidades; sin embargo, es una unidad abstracta y
sometida a variaciones contextuales, lo que origina problemas importantes de
concatenacin (Aguilar y Machuca 1995:2.1). Por el otro, si se quiere que el sistema de

38
reconocimiento tenga una buena calidad es necesario hacer un anlisis fino sobre los rasgos
acsticos de los alfonos. Para ello, es recomendable hacer una transcripcin fontica, pues
como sta pretende representar de la manera ms exacta de lo posible lo que se ha dicho
realmente (Rafel y Soler 2003:57), posee un repertorio ms amplio de unidades alofnicas
para el sistema. Esta transcripcin, a diferencia de la fonolgica, implica un trabajo manual
exhaustivo que requiere de muchas horas para llevarlo a cabo; adems, se debe contar con
un inventario fontico pertinente para el idioma en el cual se va a transcribir, de lo
contrario, se puede correr el riesgo de confundir formas y representaciones alofnicas.

La segmentacin de un corpus consiste en identificar y marcar los lmites de unidades


lingsticas, fsicas o auditivas. (Crystal 1980). sta, al igual que la transcripcin, puede
hacerse en diferentes unidades lingsticas, como fonemas, slabas, palabras, oraciones etc.,
dependiendo de sus propsitos. En el caso de un corpus escrito, la segmentacin se puede
hacer por medio de smbolos que marquen el lmite de la unidad lingstica (Autesserre et
al. 1989). En los corpus orales, la segmentacin consiste en la divisin de un archivo de
voz, delimitando temporalmente cada unidad lingstica (Gibbon et al. 1997).

Actualmente, la segmentacin y la transcripcin de corpus orales pueden hacerse por medio


de programas computacionales, los cuales cuentan con varias herramientas para el anlisis,
la segmentacin y la transcripcin de la seal sonora. Este tipo de herramientas permite la
visualizacin de la onda sonora y la colocacin de etiquetas, con el propsito de que
mientras se segmenta la seal se pueda ir haciendo su transcripcin alofnica en las
etiquetas y, a su vez, alinearlas temporalmente con su imagen acstica. A este proceso de
transcripcin fontica suele llamrsele etiquetado en la jerga de la lingstica
computacional; Barry y Fourcin (1992:2) dan una definicin acerca de ese trmino The
labelling of a recorded utterance involves the temporal definition and naming of its parts
with reference to the physical signal. These parts may be temporarily discrete or over-
lapping, and may be defined in acoustic, physiological, phonetic or higher level linguistic
terms.

39
Los procesos de segmentacin y de transcripcin son muy importantes para la construccin
de los sistemas de reconocimiento, ya que por medio de ellos se obtienen distintos mdulos
para su funcionamiento, como los diccionarios de pronunciacin y los modelos acsticos
(Barry y Fourcin 1992); por lo tanto, ambos procesos deben estar hechos con mucho
cuidado. Por un lado, la segmentacin de la imagen acstica debe delimitarse con exactitud
para evitar la contaminacin entre alfonos; del mismo modo, se debe tener cuidado al
alinear la etiqueta con su respectivo segmento visual y temporal (Llisterri y Poch 1994).
Por otro lado, la transcripcin responde a la exigencia de materializar o fijar de alguna
manera la informacin lingstica y comunicativa presente en una onda sonora
esencialmente transitoria (Llisterri 1997:2); por lo que, debe describir correctamente y
precisar los rasgos acsticos de la seal sonora, y evitar la confusin de representaciones
alofnicas. Ambos procesos se hacen simultneamente, aunque se comienza con la
segmentacin. A continuacin se detalla paso a paso cmo se segmenta y se transcribe
fonticamente un corpus; cabe mencionar que el proceso de transcripcin que se detalla
sigue, de alguna manera, la transcripcin del Corpus DIMEx100.
Generalmente, la primera segmentacin que se hace es por oraciones, ya que cuando nos
comunicamos, pronunciamos varias palabras de manera continua, hasta que necesitamos
hacer una pausa; por cada pausa que hacemos vamos formando oraciones. De la misma
forma, cuando se graba a un hablante, ste va formando varias oraciones mientras habla, de
manera que la grabacin queda compuesta por varias de ellas dentro un mismo audio. En el
caso especfico de la grabacin del Corpus DIMEx100, los hablantes leyeron 60 oraciones
cada uno y, entre ellas, hacan las pausas correspondientes para que cada una se guardara en
un archivo independiente. De esta manera fue ms fcil hacer la segmentacin de cada
oracin en unidades lingsticas ms pequeas.

Una vez que se cuenta con un archivo de audio por cada oracin, se toma cada una para
segmentarla y transcribirla por alfonos. Para comenzar esta transcripcin, primero se
hacen dos segmentaciones correspondientes al primer sonido de la oracin. La primera se
hace al inicio de la onda sonora y la segunda al final del primer sonido; de esta
segmentacin se forma una primera etiqueta, donde se transcribe el smbolo del alfono que
se emiti. Para los siguientes alfonos, nicamente, se hace una segmentacin al final de

40
cada uno, ya que su inicio lo marca el final del alfono que lo antecede. En esta
segmentacin es muy importante la ayuda del espectrograma y del oscilograma, pues stos
guiarn la delimitacin, para hacerla con ms exactitud y alinearla con su etiqueta. En la
Figura 6 se puede observar la transcripcin fontica de la palabra ello, en el nivel T54 del
alfabeto Mexbet, con el programa Speech View.

Figura 6. Segmentacin y transcripcin fontica, en el nivel T54.

El procedimiento anterior se hace con cada uno de los alfonos que componen la oracin,
de manera que, una vez transcritos todos los alfonos, queda transcrita fonticamente. De
igual forma, se hace con cada oracin que forma parte del corpus para que al finalizar se
tenga un corpus cuya transcripcin est sincronizada con la seal sonora, y que al ser
consultado se pueda disponer de las etiquetas de cada nivel de transcripcin junto con la
grabacin correspondiente (Llisterri 1997). Posteriormente, se hace la transcripcin
ortogrfica de palabras. Para esta transcripcin, la segmentacin se hace a partir del inicio
de la palabra y hasta el final de la misma; para ello, se toma como gua la transcripcin
alofnica, porque ya aparecen marcados los lmites del primero y ltimo alfono. Las
etiquetas de los dos niveles deben de estar perfectamente alineadas entre ellas. En Figura 7
se puede observar la segmentacin y transcripcin de la primera palabra del enunciado:
ello.

41
Figura 7. Segmentacin y transcripcin en T54 y Tp.

En este apartado se describieron los procesos de segmentacin y transcripcin fontica,


siguiendo la transcripcin del corpus DIMEx100; sin embargo, cabe mencionar que,
dependiendo de sus fines, un corpus puede transcribirse en muchos otros niveles, como
lxico, sintctico, silbico, etc. Tambin se seal que en el caso de los corpus compilados
para los sistemas de reconocimiento es ms recomendable que se trascriban a nivel
fontico, ya que ste representa un anlisis acstico fino, lo cual proveer al sistema de
datos ms precisos para un mejor reconocimiento. Para este tipo de transcripcin se debe de
contar un alfabeto fontico adecuado para el idioma en el cual se va a transcribir, de lo
contrario, puede haber confusin entre las formas alofnicas. En el caso del Corpus
DIMEx100, la transcripcin se hizo en tres niveles distintos de unidades lingsticas,
basadas en el alfabeto computacional Mexbet, el cual se describe a continuacin.

3.4. El alfabeto Mexbet y los niveles de transcripcin (T22, T44, T54)

Como se ha mencionado en captulos anteriores, el alfabeto Mexbet es un alfabeto fontico-


computacional para la variante dialectal del espaol de la ciudad de Mxico. En la creacin
de este alfabeto han contribuido varios investigadores y a lo largo del tiempo ha tenido
varias versiones. Las primeras versiones se hicieron en 1999, 2000 y 2002 en el marco del
Proyecto DIME. Posteriormente, se hizo una nueva revisin sobre el inventario alofnico y

42
su representacin, con ello se obtuvo una versin final (Cutara 2004). Esta ltima versin
del alfabeto es la que se utiliza actualmente para la transcripcin de los corpus DIME y
DIMEx100. Hasta ahora, el alfabeto Mexbet ha probado ser un alfabeto lo suficientemente
consistente para describir los sonidos de espaol de la ciudad de Mxico.

En sus inicios, los alfonos, as como las representaciones grficas de Mexbet, se


elaboraron con base en los alfabetos computaciones OGIbet y Worldbet. Por tal motivo, era
necesario hacer algunos ajustes para la versin mexicana. Cutara menciona que Mexbet
requera de correcciones bsicas y puntualizaciones lingsticas (Cutara 2004:63). En la
primera versin, el alfabeto Mexbet (Uraga 1999) tena un inventario que constaba de 23
fonemas: 18 consonnticos y 5 voclicos. ste presentaba una primera inconsistencia, ya
que inclua como fonema al alfono lateral palatal dentro de su inventario consonntico,
dejando ver que, al igual que OGIbet, Mexbet tena confusin entre los alfono de la vocal
cerrada anterior /i/ y el alfono del fonema africado fricativo sonoro palatal /Z/ (Cutara
2004).

Para la segunda versin del alfabeto Mexbet (Uraga y Pineda 2000), se hizo una nueva
revisin en la cual se subsan la confusin de los alfonos palatales; sin embargo, se
mantuvo al alfono paravocal velar [w] dentro de las formas fonemticas. Esta versin del
alfabeto contaba con un inventario de 20 fonemas consonnticos y cinco voclicos. En la
tercera versin de Mexbet (Pineda y Uraga 2002) hubo un exceso en el inventario de
representaciones; adems, no se especificaba si las formas eran alofnicas o fonmicas. Por
ejemplo, se incluyeron alfonos castellanos, como el alfono interdental alveolar //; otros
alfonos dentales; los alfonos aspirados de los fonemas /x/ y /s/, y la variante labiodental
fricativa sonora /v/, como seala Cutara (2004). Despus de revisar exhaustivamente las
versiones anteriores del alfabeto Mexbet, dicho trabajo propuso 4 puntos a elaborar para la
nueva versin del alfabeto (Cutara 2004:67):

1) Especificar el inventario fonolgico para un alfabeto fontico computacional del espaol de


Mxico, para subsanar confusiones y marcar lmites (como la eliminacin de los fonemas
hispnicos y la delimitacin alofnica de las paravocales).

43
2) Establecer convenciones certeras y prcticas, para concretar las formas alofnicas a
aquellas que tuvieran una presencia recurrente en el habla y que a la vez se pudieran
modelar por reglas.
3) Eliminar formas inexistentes como [v], por ejemplo, e incluir alfonos con mayor
pertinencia y ocurrencia en el habla de Mxico como la vocal /a/ velarizada y
palatalizada, o la consonante /k/ palatalizada.
4) Procurar que este alfabeto fuera lo suficientemente sencillo y claro, para facilitar en la
medida de lo posible el etiquetado fontico de corpus orales extensos y el anlisis y
procesamiento de grandes volmenes de datos.

Una vez llevados a la prctica los puntos anteriores, la nueva versin de Mexbet propuso un
inventario de 22 fonemas: 17 consonnticos y 5 voclicos. Cabe mencionar que la eleccin
de fonemas y alfonos en distribucin complementaria para el alfabeto est basada en un
estudio estadstico de los alfonos, hecho con base en el Corpus DIME. Para la eleccin de
alfonos se tom en cuenta su aparicin dentro del corpus; Cutara (2004:80) menciona
que Hay alfonos que por su frecuencia de aparicin y la consiguiente repercusin en la
lengua son candidatos ptimos para ser considerados en los alfabetos fonticos y para los
modelos acsticos y, en general, para todas las aplicaciones de las tecnologas del habla;
por lo tanto, aquellos alfonos que presentaron una alta frecuencia de aparicin y podan
ser moldeados por reglas, se tomaron como representativos del habla de la ciudad de
Mxico; y los alfonos que fueron poco estables o tuvieron una baja frecuencia de
aparicin, se prefiri mantener, nicamente, su forma prototpica; de esta manera se lleg a
un inventario de 37 alfonos.

En cuanto a la representacin, Cutara (2004:68) seala que para la nueva versin de


Mexbet busc que los los niveles de representacin fontico y fonolgico fueran claros.
Para ello, mantuvo algunas representaciones que ya se haban establecido en las versiones
anteriores, tal como [V] para el alfono aproximante bilabial y [N] para el nasal velar; y
propuso otras nuevas representaciones, en las que procur seguir la convencin de marcar
el fonema base seguido del diacrtico que seala el proceso de asimilacin fontica
(Cutara 2004:69). Para ello, se design un diacrtico para cada rasgo acstico, as la
persona que etiqueta puede detallar que una vocal abierta est tomando rasgos palatales o
velares, y la persona que revisa el etiquetado puede darse cuenta a simple vista de los
fenmenos que estn sucediendo en la lengua (Cutara 2004:69). En la Figura 8 se pueden
observar los diacrticos usados en Mexbet.

44
Fenmenos Smbolos Ejemplos

Dental _[ s_ [

Palatal _j k_ j

Velar _2 a_2

Cierres de oclusivas _c p_c

Acentos _7 e_7

Figura 8. Representaciones de los diacrticos de Mexbet.

Como se mencion al inicio de este apartado, la ltima versin de Mexbet se ha utilizado


para la transcripcin de los corpus DIME y DIMEx100. En el caso del Corpus DIMEx100
se etiquet en tres niveles: dos fonticos y uno fonolgico, con el objetivo de enriquecer el
conocimiento sobre datos fonticos del espaol de la ciudad de Mxico (Pineda et al.
2010). Dichos niveles han recibido los nombres: T54, T44 y T22; en el que la T hace
referencia a la palabra transcripcin, y el nmero a los alfonos con los que cuenta.

El nivel T54 corresponde a la transcripcin ms estrecha. Tiene un inventario de 54


alfonos, de los cuales 37 son alfonos consonnticos, 8 son cierres de los alfonos
oclusivos y africados (p_c, t_c, k_c, b_c, d_c, g_c, tS_c, dZ_c) y 9 son voclicos tnicos y
tonos (Pineda et al. 2010). En la Figura 9 se puede observar el inventario de alfonos
consonnticos, y en la Figura 10 el de los voclicos.

45
Consonantes Labiales Labiodentales Dentales Alveolares Palatales Velares

Oclusivas
p/p_c t/t_c k_j /k_c k/k_c
sordas

Oclusivas
b/b_c d/d_c g/g_c
sonoras

Africada
tS/tS_c
sorda

Africada
dZ/dZ_c
sonora

Fricativas
f s_[ s x
sordas

Fricativas
V D z Z G
sonoras

Nasales m n_[ n n~ N

Vibrantes r(/r

Lateral l

Figura 9. Inventario de alfonos consonnticos del nivel T54 (Cutara 2004:69)

Vocales
Anteriores Central Posteriores
tonas
Paravocales j w
Cerradas i u
Medias e o
Medias
E O
abiertas
Abiertas a_j a a_2

Vocales Anteriores Central Posteriores


tnicas
Cerradas i_7 u_7
Medias e_7 o_7

Medias E_7 O_7


abiertas
Abiertas a_j_7 a_7 a_2_7

Figura 10. Inventario de alfonos voclicos del nivel T54 (Cutara 2004:69).

46
El nivel T44 tiene un inventario de 20 alfonos consonnticos ms 6 cierres de las
consonantes oclusivas y uno de la africada, 7 voclicos tonos y 5 tnicos. En este nivel
aparecen 5 representaciones para las codas silbicas, que son las parejas de consonantes,
que se neutralizan en posicin final de slaba (p/b, t/d, k/g, m/n r/rr) (Pineda et al. 2010). En
la Figura 11 se puede observar el inventario de alfonos consonnticos; en la Figura 12 el
de las vocales tnicas y tonas, y en la Figura 13 el inventarios de las codas silbicas.

Consonantes Labiales Labiodentales Dentales Alveolares Palatales Velares

Oclusivas p/p_c t/t_c k/k_c


sordas

Oclusivas b/b_c d/d_c g/g_c


sonoras

Africada tS/tS_c
sorda

Fricativas f s x
sordas

Fricativas V D Z G
sonoras

Nasales m n n~

Vibrantes r(/r

Lateral l

Figura 11. Inventario de alfonos consonnticos del nivel T44 (Pineda et al. 2010:365).

47
Vocales tonas Anteriores Central Posteriores

Paravocales j w

Cerradas i u

Medias e o

Abiertas a

Vocales Anteriores Central Posteriores


tnicas

Cerradas i_7 u_7

Medias e_7 o_7

Abierta a_7

Figura 12. Inventario de alfonos voclicos del nivel T44


(Pineda et al. 2010:365).

Coda silbica
Labiales p/b -B

Dentales t/d -D

Velares k/g -G

Nasales n/m -N

Vibrantes r(/r -R

Figura 13. Inventario de codas silbicas del nivel T44


(Pineda et al. 2010:365)

48
Finalmente, el nivel T22 cuenta con los fonemas bsicos: 17 consonnticos y 5 voclicos
(Pineda et al. 2010). En la Figura 14 se puede ver el inventario de los alfonos
consonnticos y en la Figura 15 el de los voclicos. En la Figura 16 se puede observar la
transcripcin de la palabra aumentar, en cada uno de los niveles antes descritos.

Consonantes Labiales Labiodentales Dentales Alveolares Palatales Velares

Oclusivas p t k
sordas

Oclusivas b d g
sonoras

Africada tS
sorda

Fricativas f s x
sordas

Fricativa Z
sonora

Nasales m n n~

Vibrantes r(/r

Lateral l

Figura 14. Inventario de alfonos consonnticos del nivel T22 (Pineda et al. 2010:365-366).

Vocales Anteriores Central Posteriores

Cerradas i u

Medias e o

Abierta a

Figura 15. Inventario de alfonos voclicos del nivel T22


(Pineda et al. 2010:366).

49
Nivel Transcripcin

T54 a_2 w m e n_[ t a r(

T44 a w m e N t a -R

T22 a u m e n t a r(

Figura 16. Ejemplo de transcripcin en los tres niveles T54, T44, T22

El Corpus DIMEx100, primero se transcribi en el nivel T54; para este nivel se us una
herramienta de segmentacin y transcripcin automtica, la cual hace este trabajo a un nivel
bsico, utilizando las reglas contextuales para cada alfono (Pineda et al. 2004, 2010); es
decir, hace la transcripcin cannica de la palabra y no la que realmente fue pronunciada.
Posteriormente, fonetistas expertos revisaron esta transcripcin con el propsito de alinear
los lmites temporales con la imagen espectrogrfica y de especificar representaciones
alofnicas de acuerdo con lo que fue pronunciado (Pineda et al. 2010).

La transcripcin de los niveles T44 y T22 se hizo automticamente a partir de la


transcripcin del nivel T54. En el nivel T44, una parte del etiquetado se hizo manualmente
pues, a diferencia de los otros niveles, cuenta con la representacin de las codas silbicas
(Pineda et al. 2010). Hacer la transcripcin del corpus en tres niveles distintos permiti
construir un diccionario acstico de cada nivel, para los sistemas de reconocimiento. En el
diccionario se incluyeron las pronunciaciones de cada palabra, que se obtuvieron a partir de
las transcripciones. Esto ayud a probar qu era ms conveniente para los sistemas de
reconocimiento, si tener ms o menos muestras de las diferentes pronunciaciones de una
palabra. Tambin sirvi para demostrar que el Corpus DIMEx100 es un recurso til para la
construccin de modelos acsticos de dichos sistemas (Pineda et al. 2010).

50
3.5. El Speech View del CSLU como herramienta para transcribir

El programa Speech View es una herramienta computacional que permite el anlisis y


estudio del habla. Esta herramienta pertenece al sistema CSLU, creado por el Center for
Spoken Language Understanding del Oregon Graduate. El CSLU representa an effort to
make the core technology and fundamental infrastructure accessible, affordable and easy to
use. (Sutton et al.1998:3221). Este sistema puede obtenerse e instalarse gratuitamente a
travs de la red electrnica mundial.

Para el estudio del habla, el Speech View cuenta con varias herramientas; entre ellas, un
oscilograma manipulable que permite seleccionar determinada parte del audio y hacer
acercamientos o alejamientos de la onda sonora; y tres espectrogramas para ver los
diferentes matices de los formantes: uno de banda ancha, otro de banda estrecha y uno ms
a colores; estos espectrogramas posibilitan el estudio de las transiciones y la observacin
de las trayectorias formnticas (Llisterri et al. 1999:455). Tambin por medio de ellos se
pueden obtener datos sobre la frecuencia, la amplitud y la intensidad de los sonidos.Sobre
el eje horizontal se halla el tiempo, y sobre el eje vertical, la frecuencia. La intensidad viene
determinada por el mayor o menor grado de oscuridad de las secciones del documento
(Garrido et. al 1998:32). En la Figura 17 se puede observar el Speech View con sus
diferentes oscilogramas y espectrogramas.

51
Figura 17. Herramienta computacional Speech View del CSLU.

Este programa tambin cuenta con una aplicacin que permite la colocacin de etiquetas
para la transcripcin de la seal sonora. Las etiquetas, adems de describir los rasgos
acsticos de la seal, delimitan tanto la imagen del alfono como la duracin temporal del
sonido. Para transcribir el corpus en diferentes niveles lingsticos, la aplicacin para el
etiquetado puede abrirse cuantas veces se desee; por ejemplo, para el Corpus DIMEx100
fueron necesarias cuatro barras para los niveles de transcripcin T54, T44, T22 y Tp. En la
Figura 18 podemos observar la oracin y qu hacer etiquetada en los diferentes niveles.

52
Figura 18. Etiquetado de los niveles de transcripcin.

El Speech View es una herramienta muy prctica, ya que las diversas herramientas que
contiene son opcionales y se abren en diferentes ventanas (Sutton et al.1998); as se pueden
desplegar nicamente aquellas que se van a usar y en el orden deseado. Por ejemplo, para la
transcripcin de un corpus se pueden abrir simultneamente el oscilograma, los diversos
espectrogramas y las ventanas para la transcripcin, lo que permite al etiquetador
segmentar con ms exactitud la seal acstica y, a su vez, alinear perfectamente las diversas
etiquetas de transcripcin. Otra de las funciones del Speech View es que las etiquetas de
transcripcin, se pueden guardar dentro de la misma carpeta del audio; as, se podr
consultar, simultneamente, el audio con su respectiva transcripcin.

En este captulo se present al Proyecto DIME, su objetivo de trabajo y los recursos


computacionales y lingsticos que ha desarrollado. Entre los recursos computacionales
estn los diversos sistemas de reconocimiento del habla; en los recursos lingsticos los
corpus DIME y DIMEx100. ste ltimo se describi con ms detenimiento, por ser el
corpus que se utiliz para las imgenes del Manual que se presenta en esta tesis.

Posteriormente, se resalt la importancia de la recopilacin de corpus orales para los


estudios lingsticos y para los sistemas que desarrollan las tecnologas del habla. Despus,

53
se describieron los procesos de segmentacin y transcripcin computacional de corpus.
Ambos procesos se describieron en el contexto del Proyecto DIME. Finalmente, se
presentaron dos de las herramientas que el proyecto ha utilizado para los procesos antes
mencionados. Por un lado, se describi el alfabeto fontico computacional Mexbet, el cual
posee un inventario alofnico para el espaol de la ciudad de Mxico. Por otro lado, se
describi el programa computacional Speech View, el cual contiene varias herramientas que
permiten visualizar la seal sonora, segmentarla y hacer su transcripcin.

En el siguiente captulo se expondrn algunas de las dificultades que surgen durante la


transcripcin de corpus, de las cuales nacieron las necesidades e intereses para la creacin
de un manual de transcripcin fontica computacional. Posteriormente, se describe el
proceso de la elaboracin de Manual.

54
4. Un Manual de etiquetado fontico, para su uso en las
tecnologas del habla.

Como se ha podido ver a lo largo de los captulos anteriores, los procesos de segmentacin
y transcripcin de un corpus son parte fundamental en la programacin de los sistemas de
reconocimiento y sntesis de habla. Ambos procesos representan un gran esfuerzo de
trabajo por varios motivos. Por un lado, porque para transcribir un corpus se necesita contar
con un grupo numeroso de etiquetadores, suficiente presupuesto y, sobre todo, tiempo, ya
que est constituido por muchas horas de grabacin, lo que equivale a miles de oraciones.
Por otro lado, porque cuando hay algn etiquetador principiante, es necesario ensearle
cmo hacerlo, lo que representa ms tiempo en la transcripcin del corpus. Aunado a lo
anterior, si un corpus es transcrito por varias personas se corre el riesgo de que haya errores
o falta de uniformidad en la segmentacin y en la transcripcin; por ello, es necesario hacer
varias correcciones. Todas estas dificultades provocan que la transcripcin de un corpus se
haga larga, complicada y tediosa.

Por lo anterior, naci la propuesta de hacer un manual de etiquetado fontico


computacional que, de alguna manera, resolviera o menguara las dificultades que se
presentan durante la fase de etiquetado. Para ello, se estableci que el Manual tuviera como
finalidades:

1) Uniformar, facilitar y agilizar el proceso de segmentacin y transcripcin.


2) Ser una gua accesible para los etiquetadores expertos e inexpertos.
3) Ser visualmente claro y atractivo, de manera que se pueda aprender a segmentar
visualmente
4) Ser una herramienta de aprendizaje sobre fontica acstica.

Se establecieron estos objetivos por ser los que responden directamente a los problemas que
surgen durante la transcripcin de un corpus. Si el etiquetador aprende a reconocer las
imgenes correspondientes de cada alfono, podr segmentarlas con ms exactitud y,
asimismo, transcribir ms rpido. El Manual se presenta como una herramienta de uso

55
sencillo, ya que debe ser entendible tanto para usuarios expertos como inexpertos; as,
cuando surja alguna duda durante el proceso de transcripcin, se podr consultar
rpidamente para solucionar el problema. Finalmente, el Manual contiene teora sobre
fontica acstica, para que el usuario adquiera conocimientos que le sirvan para llevar a
cabo de una manera rpida y eficaz su trabajo; todo esto generar que, adems, al final el
corpus est correctamente transcrito y uniforme. Para llevar a cabo los objetivos anteriores,
se pens que el Manual deba contener los siguientes parmetros:

1) Presentar la distribucin complementaria de los alfonos por grupos fonemticos.


2) Presentar las reglas de realizacin de cada uno de los alfonos.
3) Presentar la imagen acstica ejemplar de cada alfono.
4) Instruir en la segmentacin y transcripcin de los alfonos.
5) Detectar la aparicin de fenmenos fonticos recurrentes en el espaol.

Para la elaboracin de los primeros dos puntos se recurri al alfabeto Mexbet (Cutara
2004), que posee un inventario de los fonemas y alfonos del espaol de la ciudad de
Mxico y sus reglas contextuales. Para el tercer punto, se tom como objeto de estudio el
Corpus DIMEx100. En l se hizo con la herramienta computacional Speech View una
revisin de la imagen acstica de los 37 alfonos del espaol de la ciudad de Mxico que
propone Mexbet en su inventario. Para que esta revisin fuera ordenada, se hizo por
fonemas y sus realizaciones. Por ejemplo, en el caso del fonema alveolar fricativo sordo /s/,
se hizo la bsqueda de la imagen de cada uno de sus alfonos: el prototpico [s], el dental
[s_[] y el sonoro[z].

Posteriormente, con base en la observacin y el anlisis de las distintas imgenes de cada


alfono, se eligi la imagen ejemplar para cada uno de ellos; sta deba reflejar, en la
medida de lo posible, los elementos acsticos correspondientes a su alfono. Una vez
seleccionado un fragmento, se aline con sus etiquetas de la transcripcin correspondientes
a cada nivel (T54, T44, T22 y Tp) y se hizo una copia para la ilustracin del Manual.

Una vez recopiladas las imgenes de los 54 alfonos y los datos obtenidos del anlisis, se
compararon y fundamentaron con base en la teora, con el propsito de establecer

56
parmetros sobre la imagen acstica y, con base en ellos, plantear la segmentacin para
cada alfono.

Durante la bsqueda de las imgenes de los alfonos, se registraron dos fenmenos


recurrentes en el habla: la homologacin de sonidos idnticos y la elisin; de tal suerte, que
result importante integrarlos al Manual. Cabe mencionar que ambos fenmenos se
abordan de forma muy somera, puesto que ya se han hecho estudios sobre ellos en el
Proyecto DIME (Ceballos 2007 y Espinosa 2007). Estos estudios han dado como resultado
los contextos en los que ocurren y su recurrencia en el habla, motivo por el cual ha sido
importante su implementacin en los sistemas de reconocimiento.

Una vez obtenidos todos los materiales para la elaboracin del Manual, se pens cmo
hacer su organizacin. Cabe mencionar que el Manual sufri varios cambios durante su
elaboracin hasta llegar a la versin que aqu se presenta; esto ocurri porque a cada
momento se busc la forma ms didctica para organizarlo.

Principalmente, el Manual se divide en tres partes: la primera est dedicada a las


consonantes, la segunda a las vocales y la tercera a los fenmenos fonticos. En la primera
parte, los sonidos consonnticos aparecen clasificados por fonemas y sus realizaciones. Por
ejemplo, el primer apartado se dedica a los fonemas oclusivos sordos y sonoros, el segundo
al fonema palatal africado sordo, el tercero al fonema labiodental fricativo sordo, etc.

Para cada fonema se da una introduccin terica sobre sus realizaciones, basada en la teora
de la fontica acstica ya existente. Despus, se presenta un cuadro con los alfonos, sus
reglas de realizacin y sus representaciones ortogrficas y fonticas, en el alfabeto Mexbet.
Posteriormente, se hace el anlisis espectrogrfico de cada alfono. Para ello, en primer
lugar, se presenta la imagen acstica junto con la descripcin del alfono, con el propsito
de que el usuario pueda identificar visualmente la imagen de cada alfono. En seguida, se
da la explicacin para hacer la segmentacin de la imagen espectrogrfica, apoyndola con
imgenes para una mejor comprensin del proceso. Finalmente, se muestra la transcripcin
correspondiente para las etiquetas de los tres niveles de transcripcin (T22, T44, T54).

57
La segunda parte del Manual corresponde a las vocales; sta aparece organizada de la
misma manera que la de las consonantes, es decir, por fonemas. Para su mayor
comprensin, en la clasificacin de los sonidos voclicos se sigue el orden del abecedario
(a, e, i, o, u) y no el orden del tringulo voclico. Sin embargo, no omite puntualizar la
abertura voclica de cada fonema, ya que sta resulta importante para la ubicacin de los
formantes.

La tercera parte est dedicada a los fenmenos fonticos. En ella se describen dos: la
homologacin de sonidos idnticos y la elisin. El primero se refiere a la unin de dos
sonidos voclicos o consonnticos idnticos, por ejemplo en la emisin de la frase esas
sillas, se une la s final de esas con la inicial de sillas: esa[s]illas. El segundo es la prdida
de algn sonido de la palabra; ste se divide en tres: afresis, sncopa y apocope. Cada uno
de ellos hace referencia al lugar de la palabra donde se ha elidido algn sonido. Finalmente,
en el apndice se muestran las tablas de equivalencia de Mexbet con los alfabetos AFI y
RFE, pues como se mencionaba, varias personas harn uso de este Manual, principalmente
aquellos que colaboren dentro del Proyecto DIME. Por tal razn, es importante abarcar las
necesidades para los diferentes usuarios del Manual.

Antes de terminar este captulo, quiero mencionar que actualmente, varios pases han
comenzado a hacer el etiquetado automtico, es decir, cuentan con programas
computacionales que segmentan y transcriben oraciones; aunque esto representa un gran
avance para las tecnologas y contrarresta casi totalmente las dificultades por las cuales se
ha hecho este trabajo de tesis, se debe tomar en cuenta que dichos programas
computacionales transcriben la realizacin esperada del alfono y no la que se pronunci
realmente, como se hace en una transcripcin manual (Goddijn y Binnenpoorte 2003).
Adems, no se debe pasar por alto que una segmentacin y una transcripcin manual son de
suma importancia, porque ayuda al conocimiento de la lengua y, a su vez, a mejorar los
sistemas de transcripcin automtica.

58
El Manual de etiquetado fontico e imgenes acsticas de los alfonos del espaol de la
ciudad de Mxico, para su uso en las tecnologas del habla aparece como apndice de esta
tesis. Se decidi ponerlo as, puesto que es un trabajo independiente por dos motivos: el
primero es que este Manual, desde una perspectiva evolutiva de las herramientas para los
estudio del habla, forma parte de nuevas herramientas que permiten estudiar el habla, ya
que sus ilustraciones son muestra verdicas obtenidas a partir de un corpus y analizadas con
programas computacionales; de la misma forma, pone evidencia que, con el uso de
herramientas computacionales, los estudios del habla tienen mayor precisin en el anlisis,
pues permiten ver diferentes caractersticas del habla, como los formantes, la curva
meldica, la frecuencia fundamental, etc. De esta manera se hacen evidentes los avances en
los estudios que ha tenido la fontica acstica. El segundo es que el Manual surge en el
marco del Proyecto DIME. Para este proyecto el Manual servir como una herramienta de
ayuda para instruir en el proceso transcripcin de corpus, pues, como se ha venido diciendo
a lo largo de este captulo, el Manual contiene informacin terica y prctica, para que el
usuario pueda aprender a segmentar y transcribir la seal sonora; as como para adquirir
conocimientos de fontica acstica. Por lo anterior, el Manual es un anexo de este trabajo;
as, el usuario podra consultarlo y prescindir de los captulos anteriores. No obstante, para
los fines de esta tesis, los captulos presentados son de suma importancia e indispensables,
puesto que son el contexto terico, histrico y metodolgico que justifica su existencia.

59
5. Conclusiones

La propuesta de trabajo para esta tesis de licenciatura es la creacin de un manual de


etiquetado fontico computacional para el espaol de la ciudad Mxico, implementado en
las tecnologas del habla. Este trabajo se ha hecho en el contexto del Proyecto DIME, el
cual ha trabajado durante aos en la creacin de sistemas de reconocimiento de habla, por
lo tanto posee varios recursos para el estudio de la lengua. Los objetivos del Manual
elaborado en esta tesis son ayudar y facilitar el proceso de segmentacin y transcripcin de
corpus orales, as como crear un medio de aprendizaje para los etiquetadores principiantes y
para los alumnos de fontica. Para entender la parte en donde se pondr en uso este Manual
se hizo un panorama sobre las tecnologas del habla. En el primer captulo se present una
introduccin de este trabajo, en el cual se mencionaron los temas a desarrollar, as como los
beneficios que tendra la construccin de un manual de etiquetado fontico.

En el segundo captulo se habl de la lingstica computacional y de sus diferentes ramas.


Entre ellas se destacaron a las tecnologas del habla y sus aplicaciones, en especfico dos:
los sistemas de sntesis y los sistemas de reconocimiento de habla; de estos se describi su
arquitectura y los distintos mdulos que los componen. Esto, con el propsito de observar
que la construccin de ambos sistemas es un trabajo multidisciplinario, en el que colaboran
conjuntamente varias disciplinas como la lingstica, la ingeniera y la computacin.

Posteriormente, se resalt el papel de la fontica en las tecnologas del habla pues sta,
entre otras cosas, trabaja para desarrollar elementos necesarios para que los sistemas de
reconocimiento y sntesis del habla, reconozcan y reproduzcan el habla humana con ms
facilidad y naturalidad. Despus, se abord una de las ramas de la fontica, llamada
fontica instrumental; para sta, se hizo un recorrido a su historia para conocer los
instrumentos de los que se ha valido para sus investigaciones, con el propsito de observar
que de la misma manera que otras disciplinas han recurrido a la fontica para apoyarse de
sus estudios, la fontica tambin se ha beneficiado de los avances tecnolgicos de otras

60
disciplinas, tales como la informtica y la computacin. Para finalizar se abordaron dos
alfabetos fonticos para el espaol: el alfabeto de la Revista de Filologa Espaola (RFE) y
el International Phonetic Alphabet (IPA); se abord su creacin y sus caractersticas. El
repaso de estos alfabetos fue importante, ya que stos han servido como herramientas de
estudio tanto para la fontica como para las tecnologas del habla y porque a partir de ellos
se han hecho los alfabetos fonticos computacionales.

En el tercer captulo se present el Proyecto Dilogos Inteligentes Multimodales en


Espaol (DIME) del Instituto de Investigaciones en Matemticas Aplicadas y en Sistemas
(IIMAS) de la Universidad Nacional Autnoma de Mxico. De este proyecto se
describieron los diversos recursos con los que cuenta para investigaciones en las reas de
lingstica y computacin. Entre ellos, se trat con detenimiento el Corpus DIMEx100, por
ser el recurso que se utiliz para esta tesis; se puntualiz el proceso de su recoleccin, as
como los fines de su creacin. Posteriormente, se ense cmo se llevan a cabo los
procesos de recopilacin de corpus orales, la segmentacin y la transcripcin de los
mismos. Fue de gran importancia describir esos procesos, pues sirvi para mostrar dnde
tendr utilidad el Manual. Para finalizar, se presentaron dos herramientas importantes para
la transcripcin de los corpus del Proyecto DIME. Una de ellas es el alfabeto Mexbet, del
cual se mencionaron sus diferentes versiones; con ms detalle la ltima, realizada por
Cutara (2004), se expuso el trabajo que desarroll para concretar un inventario pertinente
para los alfonos del espaol de la ciudad de Mxico. De esta ltima versin del alfabeto
Mexbet, se tom el inventario fontico y fonolgico y las presentaciones simblicas para el
manual que se ofrece aqu. A lo largo de este captulo, como de los otros, se recurri
frecuentemente al trabajo de Cutara (2004). Esto porque dicho trabajado ha sido la base
para la elaboracin del manual, por ser el trabajo de investigacin para definir el inventario
alofnico del alfabeto Mexbet y de los corpus DIME y DIMEx100. La otra herramienta es el
programa Speech View, que forma parte del paquete de herramientas del CSLU del Oregon
Graduate Institute. De este programa, se describieron algunas de las herramientas que
contiene para el anlisis del habla, tales como los oscilogramas y los espectrogramas.

61
El captulo cuarto se dedic al Manual de etiquetado fontico e imgenes acsticas de los
alfonos del espaol de la ciudad de Mxico, para su uso en las tecnologas del habla. En
ste se habl sobre las dificultades que motivaron su elaboracin, y cmo a partir de ellas
se busc que el Manual tuviera dos objetivos principales: el primero, ser una herramienta
que ensee, gue, ayude y facilite la segmentacin y la transcripcin de corpus a todas las
personas que se deban enfrentar a ello, entre las que se destacan los estudiantes que
colaboran en el Proyecto DIME. El segundo, ser un medio de estudio y aprendizaje sobre la
fontica acstica del espaol de la ciudad de Mxico, til para los estudiantes de la
asignatura de Fontica del Colegio de Lengua y Literaturas Hispnicas de la Facultad de
Filosofa y Letras de la UNAM.

Como se pudo ver a lo largo de los captulos, la segmentacin y la transcripcin de un


corpus son trabajos sumamente laboriosos, y para llevarlos a cabo es necesario contar con
un grupo numeroso de personas destinadas a estas tareas. En el Proyecto DIME las
personas que hacen la transcripcin de los corpus suelen ser estudiantes de diversas
formaciones acadmicas, como lingistas, ingenieros, computlogos, etc; por lo que
muchos de ellos son inexpertos y, antes de iniciar la transcripcin del corpus, es necesario
ensearles cmo hacerlo. Sumado a lo anterior, cuando un corpus es transcrito por varias
personas se corre el riesgo de que haya inconsistencias, como la falta de uniformidad en el
etiquetado, provocada por la mala segmentacin entre las fronteras de los sonidos y por la
confusin de las representaciones alofnicas, etc. Todas estas dificultades hacen que la
transcripcin del corpus demore mucho tiempo.

Por lo anterior, la propuesta para esta tesis de licenciatura fue la creacin de un manual que
muestre las imgenes de los alfonos del espaol de la ciudad de Mxico, para su correcta
segmentacin y transcripcin. Los alfonos que se muestran en el Manual estn basados en
el alfabeto Mexbet de Cutara 2004, por lo que a lo largo de esta tesis se recurre
constantemente a dicho trabajo, pues fue la base para definir el alfabeto y, por lo tanto, la
base para el Manual de esta tesis.

62
Para tratar de menguar o subsanar las dificultades que se presentan en las labores antes
mencionadas, se pens que el Manual deba contener informacin pertinente y suficiente.
Para eso, se presenta la distribucin complementaria de los alfonos de la ciudad de
Mxico, sus reglas de realizacin, sus imgenes prototpicas y se instruye en su
segmentacin y transcripcin.

Por medio de este Manual se espera que la segmentacin y la transcripcin de los corpus se
agilicen y que, sobre todo, se hagan de manera ms consistente. Con esos fines, en primer
lugar, en el Manual se ensea a identificar las imgenes espectrogrficas de los alfonos,
as el etiquetador podr distinguir, a simple vista, las caractersticas acsticas que lo
definen. En segundo lugar, se instruye en cmo hacer la segmentacin de cada una de las
imgenes, con el propsito de evitar que se haga de manera incorrecta y que los segmentos
alofnicos queden contaminados entre s. En tercer lugar, se muestra la transcripcin
correcta para cada alfono, de acuerdo a sus reglas contextuales y a su realizacin.

Por lo anterior, este Manual ser de gran utilidad en la transcripcin fontica computacional
de corpus orales, ya que ayudar a que dicha tarea sea ms fcil, rpida y uniforme.
Adems, contar con este Manual durante la transcripcin de un corpus representa una gran
ventaja, ya que si el etiquetador tiene alguna duda durante el proceso, podr consultarlo
mientras transcribe, pues est organizado de forma sencilla y prctica; ya que est diseado
para dar capacitacin previa a los etiquetadores principiantes, para resolver dudas sobre la
segmentacin y la transcripcin de los alfonos, y para proveer de conocimientos de
fontica acstica a sus lectores. Con ello se espera que el etiquetador, al ir transcribiendo y
consultando el manual, lleve a cabo su trabajo sin errores y la transcripcin del corpus sea
consistente. En la descripcin de estos procesos qued explcita la necesidad de hacerlos de
una manera cuidadosa, ya que con base en ellos se toma informacin para la construccin
de los sistemas de sntesis y reconocimiento de habla.

Para finalizar, es importante mencionar que el manual presentado en este trabajo de tesis
est enfocado al espaol de la ciudad de Mxico; lo cual lejos de restarle mrito es una
motivacin a continuar con investigaciones que abarquen los diversos dialectos del espaol

63
de Mxico, para que en un futuro tanto la lingstica como la computacin cuenten con
herramientas ms robustas para sus estudios.

64
6. Referencias bibliogrficas

AGUILAR, LOURDES, BEATRIZ BLECUA, MARA J. MACHUCA y RAFAEL MARN. 1993.


Phonetic reduction processes in spontaneous speech, en 3rd European Conference
on Speech Communication and Technology, Berln: ISCAA Archive,
pp. 433-436.
[http://liceu.uab.es/publicacions/Aguilar_et_al_93_Phonetic_Reduction.pdf, 18 de
marzo de 2009]
AGUILAR, LOURDES, JUAN MARA GARRIDO y JOAQUIM LLISTERRI. 1994. Incorpuscin de
conocimientos fonticos a las tecnologas del habla, comunicacin presentada en el I
Congrs de Lingstica General, Valencia: Universidad de Valencia.
[http://liceu.uab.es/~joaquim/publicacions/valencia_94.html, 19 de marzo de 2009]
AGUILAR, LOURDES y MARA J. MACHUCA. 1995. Pragmatic Factors Affecting the
Phonetic Properties of Diphthongs, en 3rd European Conference on Speech
Communication and Tecnology, Madrid: ISCAA Archive, pp. 2251-2254.
[http://liceu.uab.es/publicacions/Aguilar_Machuca_95_Pragmatics_Diphthongs.pdf,
19 de marzo de 2009]
ALARCOS LLORACH, EMILIO. 1965/1983. Fonologa espaola, Madrid: Gredos.
ALBAL, MARA JOS, ELENA BATTANER, MARCELA CARRANZA, JUANA GIL, JOAQUIM
LLISTERRI, MARA J. MACHUCA, NATALIA MADRIGAL, MONTSERRAT MARQUINA,
VICTORIA MARRERO, CARMEN DE LA MOTA, MONTSERRAT RIERA y ANTONIO ROS.
2008. VILE: Nuevos datos acsticos sobre las vocales del espaol, Language
Design. Journal of Experimental and Theoretical Linguistics, Special Issue 2, New
Trends in Experimental Phonetics, Selected Papers From the IV International
Conference on Experimental Phonetics, pp. 1-14.
[http://liceu.uab.cat/~joaquim/phonetics/VILE/VILE_IVCFE08_Vocales.pdf, 13 de
marzo de 2009]
ARRARTE, GERARDO. 1999. Normas y estndares para la codificacin de textos y para la
ingeniera Lingstica, en Filologa e informtica. Nuevas tecnologas en los
estudios filolgicos, Barcelona: Milenio, pp.17-44.
AUTESSERRE, DENIS, GUY PRENNOU y MARA ROSSI. 1989. Methodology for the
transcription and labeling of a speech corpus, Journal of the International Phonetic
Association, 19:1, pp. 2-15.
BARRY, WILLIAM J. y ADRIAN J. FOURCIN. 1992. Levels of Labelling, Computer Speech
and Language, 6, pp. 1-14.
BERNAL, JESS, JESS BOBADILLA y PEDRO GMEZ. 2000. Reconocimiento de voz y
fontica acstica, Madrid: Ra-Ma.
BOLSHAKOV, IGOR y ALEXANDER GELBUKH. 2004. Computational Linguistics. Models,
Resources, Applications, Mxico: Instituto Politcnico Nacional, Universidad
Nacional Autnoma de Mxico y Fondo de Cultura Econmica.
BONAVENTURA, PATRIZIA, FABIO GIULIANI, JUAN MARA GARRIDO e ISABEL ORTN. 1998.
Grapheme-to-phoneme transcription rules for Spanish, with application to automatic
speech recognition and synthesis, en Proceedings of COLING 98 Workshop.

65
Partially Automated Techniques for Transcribing Naturally Occurring, Continuous
Speech, Montreal: Universidad de Montreal, pp. 33-39.
CEBALLOS, ANA. 2007. Fenmeno de prdida en CORPUS DIME para su inclusin en un
reconocedor de habla, tesis de licenciatura indita, Mxico: Universidad Nacional
Autnoma de Mxico.
[http://acl.ldc.upenn.edu/W/W98/W98-0804.pdf, 20 de marzo de 2009]
CHENG-YUAN, LIN, JANG ROGER JYH-SHING y CHEN KUAN-TING. 2005. Automatic
Segmentation and Labeling for Mandarin Chinese Speech Corpus for Concatenation-
based TTS, International Journal of Computational linguistics and Chinese
language Processing, 10:2, pp. 145-166.
[http://www.aclclp.org.tw/clclp/v10n2/v10n2a1.pdf, 13 de abril de 2009]
CROOT, KAREN y BELINDA TAYLOR. 1995. Criteria for Acoustic-Phonetic Segmentation
and Word Labelling in the Australian National Database of Spoken Language,
Sidney: Universidad de Macquarie.
[http://andosl.anu.edu.au/andosl/general_info/aue_criteria.html, 21 de marzo de 2009]
CRYSTAL, DAVID. 1980/2003. A dictionary of linguistics & Phonetics, Malden: Blackwell.
CUTARA, JAVIER. 2004. Fontica de la ciudad de Mxico. Aportaciones desde las
tecnologas del habla, tesis de maestra indita, Mxico: Universidad Nacional
Autnoma de Mxico.
ESPINOZA, PRECIOSA. 2007. Sistematizacin del fenmeno de silabicacin en el CORPUS
DIME para su aplicacin en las tecnologas del habla, tesis de licenciatura indita,
Mxico: Universidad Nacional Autnoma de Mxico.
GARRIDO, JUAN MARA, MARA J. MACHUCA y CARME DE LA MOTA. 1998. Prcticas de
fontica. Lengua espaola I, Bellaterra: Universidad Autnoma de Barcelona.
GIBBON, DAFYDD, ROGER MOORE y RICHARD WINSKI. 1997. SL corpus representation,
Handbook of Standards and Resources for Spoken Language Systems, Berlin: Mouton
De Gruyter, I, pp. 146-170.
[http://www.spectrum.unibielefeld.de/~gibbon/gibbon_handbook_1997/node128.html
#SECTION06400000000000000000, 16 de abril de 2009]
GIL, JUANA. 1990. Los sonidos del lenguaje, Madrid: Sntesis.
GILI GAYA, SAMUEL. 1950/1975. Elementos de fontica general, Madrid: Gredos.
GODDIJN, SIMO y DIANA BINNENPOORTE. 2003. Assessing Manually Corrected Broad
Phonetic Transcriptions, en Proceedings of 15th Congress of Phonetic Sciences,
Barcelona: ISCAA, pp. 1361-1364.
[http://lands.let.kun.nl/literature/goddijn.2003.1.pdf, 17 de abril de 2009]
GUSSENHOVEN, CARLOS y HAIKE JACOBS. 1998. Understanding Phonology, Londres:
Hodder Arnold.
HELMHOLTZ, HERMANN. 1877/1964. On the sensations of tone as physiological basis for
the theory of music, New York: Dover.
HERRERA, ESTHER. 2002. La asimilacin de las nasales en espaol. Un estudio
instrumental, Nueva Revista de Filologa Hispnica, 1:1, pp. 1-14.
HIDALGO NAVARRO, ANTONIO y MERCEDES QUILIS MERN. 2004. Fontica y fonologa
espaolas, Valencia: Tirant lo Blanch.
HIERONYMUS, JAMES. 1994 (Ms.). ASCII phonetic symbols for the world's languages:
Worldbet, Nueva Jersey.

66
INTERNATIONAL PHONETIC ASSOCIATION. 1999. Handbook of the International Phonetic
Association. A guide to the use of the International phonetic Alphabet, Cambridge:
Cambridge University Press.
IRIBARREN, MARY. 2005. Fontica y fonologa espaolas, Madrid: Sntesis.
JAKOBSON, ROMAN y LINDA R. WAUGH. 1979/1987. La forma sonora de la lengua,
Mxico: Fondo de Cultura Econmica.
LADEFOGED, PETER. 1962. Elements of Acoustic Phonetics, Chicago: The University of
Chicago Press.
. 2000. A course in Phonetics, Boston: Thomson Wadsworth.
. 2001/2005. Vowels and consonants, Massachussets: Blackwell.
LANDER, TERRY. 1997. The CSLU Labeling Guide, Portland: Oregon Graduate Institute.
[http://cslu.cse.ogi.edu/corpus/docs/labeling.pdf, 15 de febrero de 2009]
LASS, ROGER. 1984. Phonology. An introduction to basic concepts, Cambridge: Cambridge
University Press.
LLISTERRI, JOAQUIM. 1991. Introduccin a la fontica: El mtodo experimental, Barcelona:
Anthropos.
. 1997. Transcripcin, etiquetado y codificacin de corpus orales, en
Etiquetacin y extraccin de informacin de grandes corpus textuales, curso
impartido en Seminario de Industrias de la Lengua, Soria.
[http://liceu.uab.es/~joaquim/publicacions/FDS97.html, 03 de marzo de 2009]
. 2003a. Las tecnologas del habla, en Tecnologas del lenguaje, M. A.
Mart (Coord.), Barcelona: UOC, pp. 249-282.
. 2003b. Lingstica y tecnologas del lenguaje, en Lynx. Panorama de
estudios lingsticos, 2, pp. 9-71.
[http://liceu.uab.es/~joaquim/publicacions/TecnoLing_Lynx02.pdf, 17 de marzo de
2009]
. 2007. El papel de la fontica en las tecnologas del habla, en Actas do 3
Internacional de Fontica Experimental, Santiago de Compostela: Junta de Galicia,
pp. 23-37.
[http://liceu.uab.es/~joaquim/publicacions/Llisterri_05_Fonetica_Teconologias_Habl
a_pdf, 13 de marzo de 2009]
LLISTERRI, JOAQUIM y DOLORS POCH. 1994. Proyecto de una base de datos acsticos de la
lengua espaola, en Actas del Congreso de la lengua Espaola, Madrid: Instituto
Cervantes, pp. 278-292.
[http://cvc.cervantes.es/obref/congresos/sevilla/tecnologias/ponenc_llisterripoch.htm,
13 de marzo de 2009]
LLISTERRI, JOAQUIM, LOURDES AGUILAR, JUAN MARA GARRIDO, MARA J. MACHUCA,
RAFAEL MARN, CARMEN DE LA MOTA y ANTONIO ROS. 1999. Fontica y tecnologas
del habla, en Filologa e informtica. Nuevas tecnologas en los estudios filolgicos,
Barcelona: Milenio, pp. 449-479.
[http://liceu.uab.es/~joaquim/publicacions/Fonetica_TecnolHabla.pdf, 11 de marzo de
2009]
LLISTERRI, JOAQUIM y MARA A. MART. 2002. Las tecnologas lingsticas en la Sociedad
de la Informacin, en Tratamiento del lenguaje natural. Tecnologa de la lengua
oral y escrita, M. A. Mart y J. Llisterri (Eds.), Barcelona: Fundacin Duques de
Soria y Edicions Universidad de Barcelona, pp. 13-28.

67
LOPE BLANCH, JUAN. 1963-1964/1983. En torno a las vocales caedizas del espaol
mexicano, en Estudios sobre el espaol de Mxico, Mxico: UNAM, pp.57-77.
LPEZ, FERNANDA. 2004. El estudio de los diptongos del espaol de Mxico para su
aplicacin en un reconocedor de habla, tesis de licenciatura indita, Mxico.
Universidad Nacional Autnoma de Mxico.
MACHUCA, MARA J., MONTSERRAT RIERA y ANTONIO ROS. 1999. (MS.). Criteris de
segmentaci i etiquetatge del corpus prosdic del CREL per a lestudi de la durada
segmental, Informe del Seminari de Filologia i Informtica: Universitat Autnoma de
Barcelona.
MARTENS, JEAN PIERRE, DIANA BINNENPOORTE, KRIS DEMUYNCK, RUBEN VAN PARYS, TOM
LAUREYS, WIM GOEDERTIER y JACQUES DUCHATEAU. 2002. Word segmentation in
the spoken Dutch corpus, en Proceedings 3rd International Conference on Language
Resources and Evaluation, 5, pp. 1432-1437.
[http://www.esat.kuleuven.ac.be/~spch/cgi-
bin/get_file.cgi?/tlaureys/lrec02/cgn_all/lrec_oplijning.pdf, 19 de abril de 2009]
MARTNEZ CELDRN, EUGENIO. 1998. Anlisis espectrogrfico de los sonidos del habla,
Barcelona: Ariel.
MATLUCK, JOSEPH. 1951. La pronunciacin en el espaol del Valle de Mxico, Mxico:
Edicin de autor.
MORENO, ANTONIO. 1998. Lingstica computacional, Madrid: Sntesis.
MORENO DE ALBA, JOS. 1988. El espaol en Amrica, Mxico: Fondo de Cultura
Econmica.
. 1994. La pronunciacin del espaol en Mxico, Mxico: Colegio de
Mxico.
MOTA, CARME DE LA y ANTONIO ROS. 1995. Problemas en torno a la transcripcin
fontica del espaol: los alfabetos fonticos propuestos por IPA y RFE y su
aplicacin a un sistema automtico, en Acta Universitatis Wratislaviensis, Wroclaw:
Universidad de Wroclaw, pp. 97-109.
NAVARRO TOMS, TOMS. 1918/2004. Manual de pronunciacin espaola. Madrid:
Consejo Superior de Investigaciones Cientficas.
PREZ, ELIA. 2006. Construccin de un reconocedor de voz utilizando Sphinx y el corpus
DIMEx100, tesis de licenciatura indita, Mxico: Universidad Nacional Autnoma de
Mxico.
PERISSINOTTO, GIORGIO. 1975. Fonologa del espaol hablado en la ciudad de Mxico.
Ensayo de un mtodo sociolingstico, Mxico: Colegio de Mxico.
PINEDA, LUIS A. 2008. El proyecto DIME y el robot conversacional Golem: una
experiencia multidisciplinaria entre la computacin y la lingstica, Mxico:
Universidad Nacional Autnoma de Mxico.
[http://leibniz.iimas.unam.mx/~luis/papers/DIME-Golem.pdf, 5 de marzo de 2009]
PINEDA, LUIS A., ANTONIO MASS, IVAN MEZA, MIGUEL SALAS, ERIK SCHWARZ,
ESMERALDA URAGA y LUIS VILLASEOR. 2002. The Dime Project, Lectures Notes
in Artificial Intelligence, 2313, Berln: Springer-Verlarg, pp. 166-175.
[http://leibniz.iimas.unam.mx/~luis/DIME/, 3 de marzo de 2009]
PINEDA, LUIS A., LUIS VILLASEOR, JAVIER CUTARA, HAYDE CASTELLANOS e IVONNE
LPEZ. 2004. DIMEx100: A New Phonetic and Speech Corpus for Mexican
Spanish, Advances in Artificial Intelligence, pp. 974-983.

68
[http://leibniz.iimas.unam.mx/~luis/DIME/publicaciones/papers/DIMEx100-
LNAI3315.pdf, 9 de marzo de 2009]
PINEDA, LUIS A., HAYDE CASTELLANOS, JAVIER CUTARA, LUCIAN GALESCU, JANET
JUREZ, JOAQUIM LLISTERRI, PATRICIA PREZ Y LUIS VILLASEOR. 2010. The
Corpus DIMEx100: Transcription and Evaluation, Language and Resources and
Evaluation, 44, Berln: Springer, pp. 347-370. DOI: 10.1007/s10579-009-9109-9.
QUILIS, ANTONIO. 1981/1988. Fontica acstica de la lengua espaola, Madrid: Gredos.
. 1999. Tratado de fonologa y fontica espaolas, Madrid: Gredos.
RAFEL, JOAQUIM y JOAN SOLER. 2003. El procesamiento de corpus. La lingstica
emprica, en Tecnologas del lenguaje, M. A. Mart (Coord.), Barcelona: UOC, pp.
41-74.
ROACH, PETER, HELEN ROACH, ANDREA DEW y PAUL ROWLANDS. 1990. Phonetic analysis
and the automatic segmentation and labeling of speech sounds, Journal of the
International Phonetic Association, 20:1, pp. 15-21.
SUTTON, STHEPEN, RONALD COLE, JACQUES DE VILLIERS, JOHAN SCHALKWYK, PIETER
VERMEULEN, MIKE MACON, YONGHONG YAN, ED KAISER, BRIAN RUNDLE, KHALDOUN
SHOBAKI, PAUL HOSOM, ALEX KAIN, JOHAN WOUTERS, DOMINIC MASSARO y MICHAEL
th
COHEN. 1998. Universal Speech Tools: The CSLU toolkit, 5 International
Conference on Spoken Language Processsing, 7, pp. 3221-3224.
[http://cslu.cse.ogi.edu/publications/ps/sutton_ICSLP_98_CSLUToolkit.pdf, 03 de
abril de 2009]
TAPIAS, DANIEL. 2002. Interfaces de voz con lenguaje natural, en Tratamiento del
lenguaje natural. Tecnologa de la lengua oral y escrita, M. A. Mart y J. Llisterri
(Eds.), Barcelona: Fundacin Duques de Soria y Edicions Universidad de Barcelona,
pp. 189-207.
TORRUELLA, JOAN y JOAQUIM LLISTERRI. 1999. Diseos de corpus textuales y orales, en
Filologa e informtica. Nuevas tecnologas en los estudios filolgicos, Barcelona:
Milenio, pp. 45-77.
VILLASEOR, LUIS, ANTONIO MASS y LUIS A. PINEDA. 2001. The DIME Corpus, en
Tercer Encuentro Internacional de Ciencias de la Computacin ENC-01,
Aguascalientes: SMCC-INEGI, pp.591-600.
[http://leibniz.iimas.unam.mx/~luis/DIME/publicaciones/papers/DIMECorpus.PDF, 9
de marzo de 2009]

69
7. Apndice

MANUAL DE ETIQUETADO FONTICO E


IMGENES ACSTICAS DE LOS ALFONOS DEL
ESPAOL DE LA CIUDAD DE MXICO, PARA SU
USO EN LAS TECNOLOGAS DEL HABLA

MONTSERRAT ALEJANDRA CHAVARRA AMEZCUA

UNIVERSIDAD NACIONAL AUTNOMA DE MXICO

Mxico, Diciembre 2010

1
ndice

Presentacin ..................................................................................................................... 5

I. FONEMAS CONSONNTICOS .......................................................................................... 7


1. Fonemas oclusivos /p/, /t/, /k/, /b/, /d/ /g/ .................................................................. 8
1.1. Alfonos aproximantes [V], [D], [G] ................................................................ 12

1.2. Codas silbicas [-B],[-D],[-G] .......................................................................... 12

1.4. Fonemas oclusivos sordos /p/, /t/, /k/ ................................................................. 14

1.4.1. Fonema bilabial oclusivo sordo /p/ ................................................................... 14


1.4.2. Fonema dental oclusivo sordo /t/...................................................................... 19
1.4.3. Fonema velar oclusivo sordo /k/ ...................................................................... 21
1.4.3.1. Alfono velar oclusivo sordo [k] ......................................................... 22
1.4.3.2. Alfono palatal oclusivo [k_j]............................................................. 22
1.5. Fonemas oclusivos sonoros /b/, /d/, /g/ .............................................................. 25

1.5.1. Fonema bilabial oclusivo sonoro /b/ ................................................................. 25


1.5.1.1. Alfono bilabial oclusivo sonoro [b] .................................................... 26
1.5.1.2. Alfono bilabial aproximante sonoro [V] .............................................. 29
1.5.2. Fonema dental oclusivo sonoro /d/ ................................................................... 32
1.5.2.1. Alfono dental oclusivo sonoro [d] ...................................................... 33
1.5.2.2. Alfono dental aproximante sonoro [D]................................................ 34
1.5.3. Fonema velar oclusivo sonoro /g/ ..................................................................... 36
1.5.3.1. Alfono velar oclusivo sonoro [g]........................................................ 36
1.5.3.2. Alfono velar aproximante sonoro [G] .................................................. 38
2. Fonema palatal africado sordo /tS/ ........................................................................ 40

2.1. Alfono palatal africado sordo [tS] 41


3. Fonemas fricativos /f/, /s/, /x/, /Z/ ........................................................................... 44
3.1. Fonema labiodental fricativo sordo /f/ ............................................................... 44

3.1.1. Alfono labiodental fricativo sordo [f] .............................................................. 45


3.2. Fonema alveolar fricativo sordo /s/ ................................................................... 47

2
3.2.1. Alfono alveolar fricativo sordo [s] .................................................................. 48
3.2.2. Alfono dental fricativo sordo [s_[] .................................................................. 50
3.2.3. Alfono alveolar fricativo sonoro [z] ................................................................ 51
3.3. Fonema velar fricativo sordo /x/ ........................................................................ 54

3.3.1. Alfono velar fricativo sordo [x] ...................................................................... 54


3.4. Fonema palatal fricativo sonoro /Z/ ................................................................... 56

3.4.1. Alfono palatal fricativo sonoro [Z] ................................................................. 57


3.4.2. Alfono palatal africado sonoro [dZ] ................................................................ 58
4. Fonemas nasales /m/, /m/, /n~/ ................................................................................ 62
4.1. Fonema labial nasal /m/ ..................................................................................... 62

4.1.1. Alfono labial nasal [m] ................................................................................. 63


4.2. Fonema alveolar nasal /n/ .................................................................................. 66

4.2.1. Alfono alveolar nasal [n] .............................................................................. 68


4.2.2. Alfono dental nasal [n_[] .............................................................................. 69
4.2.3. Alfono velar nasal [N].................................................................................. 71
4.3. Fonema palatal nasal /n~/ .................................................................................. 73

4.3.1. Alfono palatal nasal [n~] .............................................................................. 74


5. Fonemas lquidos /l/, /r(/, /r/ .................................................................................... 76
5.1. Fonema alveolar lateral /l/ ................................................................................. 77

5.2. Fonema alveolar vibrante simple /r(/ ................................................................. 79

5.3. Fonema alveolar vibrante mltiple /r/ ................................................................ 82

II. FONEMAS VOCLICOS ................................................................................................ 85


1. Fonemas voclicos /a/, /e/, /i/, /o/, /u/ ...................................................................... 86
1.1. Paravocales [j], [w] ............................................................................................ 89

1.2. Fonema voclico central abierto /a/ ................................................................... 89

1.2.1. Alfono central abierto [a] .............................................................................. 90


1.2.2. Alfono abierto palatal [a_j] ........................................................................... 92
1.2.3. Alfono abierto velar [a_2] ............................................................................. 95
1.3. Fonema medio palatal /e/ ................................................................................... 97

1.3.1. Alfono medio palatal [e] ............................................................................... 97


3
1.3.2. Alfono medio palatal abierto [E] .................................................................... 98
1.4. Fonema voclico cerrado palatal /i/ ................................................................. 100

1.4.1. Alfono cerrado palatal [i] ............................................................................ 101


1.4.2. Alfono paravocal palatal [j] ......................................................................... 102
1.5. Fonema medio velar /o/ ................................................................................... 105

1.5.1. Alfono medio velar [o] ............................................................................... 105


1.5.2. Alfono medio velar abierto [O] .................................................................... 107
1.6. Fonema cerrado velar /u/ ................................................................................. 108

1.6.1. Alfono cerrado velar [u] ............................................................................. 109


1.6.2. Alfono paravocal velar [w].......................................................................... 110

III. FENMENOS FONTICOS......................................................................................... 112


1. Fenmenos fonticos .............................................................................................. 113
1.1. Homologacin de sonidos idnticos ................................................................ 113

1.2. Elisin .............................................................................................................. 114

IV. Apndice. TABLA DE EQUIVALENCIAS ENTRE LOS ALFABETOS AFI, RFE Y MEXBET
(Cutara 2004:144-145)............................................................................................... 117

4
Presentacin

Las tecnologas del habla son una rama de la lingstica computacional, la cual se dedica a
la construccin de sistemas de sntesis y reconocimiento de habla. Para esta disciplina es
ineludible la participacin de la fontica, ya que para mejorar los sistemas de sntesis y
reconocimiento del habla se necesita tener una descripcin detallada de los sonidos de la
lengua. Para ello, es necesario recopilar corpus orales, los cuales son analizados por medio
de herramientas computacionales que permiten abrir las grabaciones, ver la imagen
acstica, segmentarla en unidades lingsticas en este caso en alfonos y hacer su
transcripcin en etiquetas.

La segmentacin y la transcripcin de corpus se pueden hacer automtica o manualmente.


A simple vista, hacer estas labores puede parecer un trabajo sencillo; sin embargo no lo es,
y en menor medida cuando se trata de transcribir todo un corpus, ya que est conformado
por horas de grabaciones, lo que da como resultado miles de oraciones, que se deben de
segmentar y transcribir en palabras y, a su vez, en alfonos. Generalmente, esta empresa es
supervisada y realizada por personas expertas, pero en ocasiones puede suceder que se haga
por personas principiantes, a quienes es necesario ensearles cmo hacerla, lo que ocasiona
que el proceso de transcripcin demore mucho tiempo y que se corra el riesgo de que sea
inconsistente.

Por lo anterior, se pens en la elaboracin de este Manual como una herramienta que ayude
y muestre cmo hacer la segmentacin y la transcripcin fontica computacionales, con el
objetivo de facilitar ambas labores y que, a su vez, se hagan de manera precisa y uniforme.
Con este fin, el Manual se enfoca en el reconocimiento visual de la imagen acstica de los
alfonos del espaol de la ciudad de Mxico.

Este manual est dirigido, principalmente, a los estudiantes que participan en el Proyecto
DIME; por esta razn, la transcripcin de los alfonos est hecha con el alfabeto fontico
computacional Mexbet (Cutara 2004), el cual se hizo en el marco del Proyecto. A lo largo
del Manual se recurre constantemente al trabajo de Cutara (2004), ya que dicho trabajo se
5
tom como base para la elaboracin de este Manual, por ser la base para definir al alfabeto
Mexbet, con el cual se han transcrito los corpus DIME y DIMEx100 del mismo proyecto.
El manual tambin puede ser til para los estudiantes que cursan la asignatura de Fontica,
ya que se fundamenta en datos tericos, que ensearn al alumno, as como al etiquetador,
sobre fontica acstica y articulatoria; y en general a todas las personas que estn
interesadas en estas ramas de la Fontica.

Para fines prcticos este Manual est organizado en dos apartados: el primero est dedicado
a los fonemas consonnticos y el segundo a los voclicos. Cada apartado est dividido en
grupos fonemticos y estos, a su vez, se subdividen en fonemas y sus alfonos. Al principio
de cada fonema se presenta informacin terica sobre su articulacin y sus realizaciones
alofnicas. Posteriormente, se ensea cmo segmentar y transcribir cada alfono, estos
procesos se apoyan con imgenes que muestran paso a paso cmo hacerlos. Con esta
organizacin se busca, por un lado, que si el etiquetador tiene una duda durante la
transcripcin del corpus pueda encontrar la informacin que desee de forma rpida y
sencilla. Por otro lado, que al consultar el Manual pueda conocer y ubicar a los sonidos por
su grupo fonemtico.

Este Manual es una gua de lo que el etiquetador puede encontrar en cuanto a las imgenes
alofnicas; sin embargo, puede suceder que las imgenes salgan fuera de lo esperado,
entonces, se debe transcribir el alfono que realmente fue articulado. Cabe mencionar que
las imgenes que se muestran aqu son una reproduccin, pero cuando el etiquetador
comience a hacer la transcripcin tendr una versin electrnica que le permitirn ver las
imgenes con mucho ms detalle, ya que son de alta calidad. Esto le ayudar a identificar
de la mejor manera todos los rasgos acsticos que se refieren en el Manual.

Para finalizar esta presentacin, quiero agradecer al Maestro Javier Cutara Priede de la
Facultad de Filosofa y Letras de la UNAM, por ser un excelente asesor en la elaboracin
de este manual. Tambin agradezco al Doctor Luis Pineda, Jefe del Departamento de
Ciencias de la Computacin del IIMAS, por permitirme el uso del Corpus DIMEx100, para
obtener las imgenes que ilustran este manual.

6
I. FONEMAS CONSONNTICOS

7
1. Fonemas oclusivos /p/, /t/, /k/, /b/, /d/ /g/

El espaol de la ciudad de Mxico tiene seis fonemas oclusivos; tres sordos /p/, /t/, k/ y tres
sonoros /b/, /d/, /g/. Estos seis fonemas oclusivos se pueden distinguir porque se articulan
en distintos puntos de la cavidad bucal: son bilabiales /p/ y /b/, dentales /t/ y /d/, y velares
/k/ y /g/. El modo de articulacin es parecido para todos, y se lleva a cabo con dos
movimientos: en el primero los rganos de la cavidad bucal se cierran de tal manera que
impide la salida del aire. Posteriormente, en el segundo movimiento se abren y el aire
contenido sale haciendo una explosin. Respecto a la articulacin de los fonemas oclusivos,
Gili Gaya (1950:124) menciona que las consonantes oclusivas se distinguen por producirse
en tres tiempos: implosin, oclusin y explosin. En el primero, los rganos se mueven
para adquirir la posicin articulatoria propia de la consonante; durante la oclusin mantiene
cerrada la salida del aire; la explosin es un movimiento de abertura que deshace el
contacto para pasar al sonido siguiente, con l coinciden Hidalgo y Quilis (2004) e
Irribarren (2005).

A diferencia de esos autores, Quilis (1981:190) no menciona el momento de implosin;


nicamente menciona como caractersticas de la articulacin oclusiva el cierre y la
explosin, y aade otra: Tres son las caractersticas que distinguen fundamentalmente
estas consonantes del resto: a) la interrupcin total en la emisin del sonido (esta
interrupcin se produce durante la tensin de la consonante); b) la explosin que sigue a
esta interrupcin (explosin que se manifiesta en forma de sonido turbulento, breve e
intenso); c) la rapidez de las transiciones de los formantes de las vocales precedentes o
siguientes; con l coincide Alarcos (1965), quien menciona que las oclusivas se reconocen
en el espectrograma por la ausencia de energa, por la barra de explosin y por la rapidez de
las transiciones de los formantes de la vocal precedente. Como se puede observar los
autores coinciden en las caractersticas de cierre y explosin, por lo que se puede concluir
que son las principales caractersticas de las consonantes oclusivas, tal como seala
Jacokbson (1979:101) Las explosiones [Burst] y su duracin y energa relativas

8
desempean un gran papel en la identificacin y la distincin de oclusivas, especialmente
cuando las oclusivas no estn junto a vocales; sobre todo la /k/ y la /g/ compactas, ya sea
que estn junto a vocales o no, requieren una explosin para su identificacin.

Por su parte, Navarro Toms (1918:78) seala que cuando las oclusivas /p/ y /k/ estn al
final de slaba y precedidas de otra consonante oclusiva se reducen a articulaciones
meramente implosivas; es decir, carecen de explosin. Pone de ejemplo la palabra apto y
explica mientras los labios estn cerrados, forma la lengua la oclusin de dicha t sin dar
tiempo a la salida del aire para la explosin de p (1918:83).

Dichas caractersticas principales de las consonantes oclusivas pueden verse y ubicarse


fcilmente en el espectrograma. Lander (1997:16) menciona que When a word begins with
any of these sounds, look for spectral evidence to signal the beginning of the closure.
Efectivamente, en las imgenes espectrogrficas de las oclusivas primero aparece el cierre
que se caracteriza por ser un espacio en blanco, pues como se dijo, es un momento en el
que no se emite sonido alguno a causa de la obstruccin del aire. Posteriormente, aparece la
explosin que se ve como una barra vertical oscura, dicha barra corresponde al estallido que
emite el aire al ser expulsado (ver Figura 4.).

A pesar de que la imagen espectrogrfica de este grupo de consonantes es semejante, se


puede diferenciar entre sordas y sonoras, ya que en el cierre de las consonantes oclusivas
sonoras las cuerdas vocales comienzan a vibrar hasta el momento de la explosin. Esta
vibracin se refleja en el segmento espectrogrfico del cierre con una barra llamada barra
de sonoridad. Dicha barra es semejante a un formante y aparece en la parte inferior del
espectrograma e incluso puede presentar ligeras estras formnticas en la parte superior (ver
Figura 21). Quilis (1981:192) menciona acerca de esta diferencia que Los espectrogramas
de las explosivas sordas se caracterizan por la ausencia total de zonas de frecuencia; en las
sonoras, esta ausencia tambin es patente, pero una barra de sonoridad en la parte inferior
de su espectro las diferencia de las anteriores; esta barra de sonoridad se origina por la
vibracin de las cuerdas.

9
Si bien se pude diferenciar la imagen acstica entre oclusivas sonoras y sordas, lo que no se
puede hacer o cuando menos es difcil es tratar de diferenciar entre mismos grupos de
oclusivas; es decir, entre mismas sordas o sonoras. Acerca de esto, Quilis (1981:192) seala
que en s el espectro de las explosivas sordas y sonoras no proporciona ningn dato que las
caracterice y que pueda explicar por qu percibimos [p] como diferente de [k], o [b] como
diferente de [g]. Sin embargo, hay autores que afirman que se puede diferenciar estas
consonantes por medio de la barra de explosin, como Hidalgo y Quilis (2004), quienes
mencionan que la barra de explosin de las oclusivas labiales es breve, la de las dentales
visible y la de las velares muy amplia; con ellos coinciden Bernal et al. (2000:46), quienes
explican que la diferencia entre oclusivas sordas se basa por el nivel de la energa de la
barra de explosin: Los sonidos sordos presentan una zona de silencio seguida por una
breve barra de explosin vertical, que tiene mayor duracin temporal en el sonido [k]. La
barra de explosin contiene ms energa en la zona baja del espectro en el caso bilabial, en
la zona media cuando se trata del sonido [t] y en la parte alta para [k]. Como se puede ver,
los autores proponen distintas formas de diferenciar espectrogrficamente entre mismas
oclusivas sordas o sonoras. Sin embargo, para este manual he preferido no tomar en cuenta
este rasgo diferenciador, pues resultara conveniente hacer un trabajo en el que se
documenten estos casos, con el propsito de comprobar qu tan importante resulta la barra
de explosin como un rasgo diferenciador entre dichas consonantes.

Otra caracterstica espectrogrfica de las consonantes oclusivas son las transiciones de sus
formantes con respecto a los formantes de los fonemas voclicos. Quilis (1981:138)
menciona que los formantes se crean por la excitacin producida por la glotis se extiende a
las cavidades supraglticas, que, al actuar como filtros, estructuran la seal acstica. Desde
la glotis hasta los labios se pueden considerar una serie de cavidades resonantes que, a
travs de la funcin de transferencia o, lo que es lo mismo, de la funcin del filtrado del
conducto vocal, originan los llamados formantes. Un formante de la onda acstica del
lenguaje es, por tanto, un mximo de la funcin de transferencia del conducto vocal. En el
espectrograma un formante se puede distinguir por ser una banda horizontal ms oscura que
al resto de la imagen espectrogrfica (Ladefoged 2001).

10
Las transiciones de los formantes son producto de un cambio en la frecuencia producido
por el movimiento articulatorio; estas transiciones se pueden observar en el cambio de un
formante a otro y pueden ser positivas, negativas o neutras, dependiendo de la consonante o
vocal con la que estn en contacto. As, en los alfonos oclusivos la transicin del primer
formante (F1) normalmente ser negativa, mientras que las transiciones del segundo
formante (F2) varan, ya que este segundo formante refleja el lugar de articulacin de las
oclusivas (Quilis 1999). En la Figura 1 se pueden ver las transiciones del F2, segn la
consonante y vocal que estn en contacto.8

Figura 1. Transiciones del F2 voclico en contacto con consonantes oclusivas

Cada fonema oclusivo tiene sus respectivos alfonos en distribucin complementaria. Los
fonemas oclusivos sordos, /p/ y /t/, tienen un slo alfono oclusivo sordo para cada uno, los
cuales ocurren cuando estn en posicin inicial de slaba. El fonema /k/ tiene dos alfonos:
uno oclusivo y otro palatalizado, que toma est realizacin cuando est en contacto con los
alfonos voclicos palatales [e], [i] y [j] (Cutara 2004:95).

8
Estas transiciones formnticas las he tomado del Tratado de fonologa y fontica de Antonio Quilis.

11
Los fonemas oclusivos sonoros tiene dos alfonos en distribucin complementaria: uno
oclusivo que se da en inicio absoluto de slaba y posterior a [m, n]; y otro aproximante que
se da en todos los dems contextos.

1.1. Alfonos aproximantes [V], [D], [G]

Los alfonos aproximantes [V], [D] y [G] son formas alofnicas de los fonemas oclusivos
sonoros /b/, /d/ y /g/. Se diferencian de los alfonos oclusivos en primer lugar por su
articulacin y en segundo por el contexto en el que se realizan.

Estos alfonos se ocurren en contexto interior y final de slaba. Reciben el nombre de


aproximantes porque los rganos de la cavidad bucal con los que son articulados se
aproximan para emitir el sonido, de la misma manera que en los sonidos africados, aunque
la constriccin de los rganos en los aproximantes, es menor que en los africados (Gil
1990, Hidalgo y Quilis 2004).

La imagen espectrogrfica de los alfono aproximantes se caracteriza por tener formantes


parecidos a los voclicos, pero de baja frecuencia. Martnez Celdrn (1998:71) menciona
que dichos formantes son meras transiciones entre los formantes voclicos y su frecuencia
determina su distinto punto de articulacin, sobre todo de las transiciones de F2 y de la
frecuencia de ese mismo F2.

1.2. Codas silbicas [-B], [-D], [-G]

El trmino coda silbica se refiere a la posicin final de slaba en la que puede aparecer un
alfono, en especfico [p], [t], [k], [V], [D], [G] [m], [n_[], [N], [r(] y [r]. Cuando estos
alfonos se encuentran en posicin de coda silbica pueden alternar su realizacin, pero
slo con aquellos que tienen rasgos en comn, o bien, que se oponen por sonoridad. Al
conjunto de alfonos que presentan en comn y opuestos se les ha neutralizado y se le ha
llamado codas. Estos son representados bajo un smbolo en especfico.

12
En los alfonos oclusivos la neutralizacin se da por sonoridad y por punto de articulacin,
as se oponen los bilabiales: [p] / [V], los dentales: [t] / [D] y los velares: [k] / [G] (Hidalgo
y Quilis 2004); por ejemplo apto ~ abto, atmsfera ~ admsfera, agnstico ~ acnstico,
etc. A estos pares se les ha representado fonticamente en el alfabeto Mexbet con las codas
[-B], [-D], [-G] respectivamente. Las codas se transcriben nicamente en el nivel T44. En la
Figura 2 aparecen los alfonos oclusivos que se oponen y el smbolo correspondiente de
coda silbica en Mexbet.

Oposicin de alfonos Representacin Ejemplo


en Mexbet

[p] / [V] -B abrupto [abru-Bto]

[t] / [D] -D ciudad [siuda-D]

[k] / [G] -G acto [a-Gto]


Figura 2. Representacin en Mexbet de las codas de oclusivas sordas y aproximantes.

Cabe mencionar que no siempre se presentar la alternancia entre los alfonos que se
oponen, eso depende en gran medida de la pronunciacin del hablante. Quilis (1999:205)
seala que depende tanto de lo hbitos o del nfasis del hablante, como de la norma
regional: puede aparecer desde el mantenimiento como explosiva sorda o sonora, hasta su
desaparicin.. Los hablantes del Corpus DIMEx100 con frecuencia debilitaron o perdieron
la [d] final de slaba, esta prdida tambin ha sido documentada en el espaol de Mxico
por Moreno de Alba (1994).

En el siguiente apartado se presentan las reglas combinatorias de los alfonos de los


fonemas oclusivos, conforme a Cutara 2004, junto con el proceso de segmentacin y
transcripcin para cada uno de ellos.

13
1.4. Fonemas oclusivos sordos /p/, /t/, /k/

1.4.1. Fonema bilabial oclusivo sordo /p/

El fonema /p/ cuenta con un solo alfono, [p], el cual se realiza en todos los contextos; en
otras palabras, el fonema /p/ siempre se pronunciar como [p], sin importar el lugar que
ocupe en la palabra o junto a qu consonantes o vocales se emita. Perissinotto (1975:44)
reporta a /p/ como un fonema muy estable y resiste tanto la sonorizacin como el
relajamiento en cualquier posicin. En la Figura 3 se muestra un cuadro con la regla
distribucional de /p/, de acuerdo con Cutara 2004.

Fonema Alfono Contexto Grafa


bilabial Bilabial Inicio de slaba p
oclusivo sordo oclusivo sordo
/p/ [p_c] [p]
Figura 3. Reglas distribucionales de los alfonos del fonema /p/.

Como se dijo anteriormente (1) para localizar un alfono oclusivo, en este caso [p], en una
imagen espectrogrfica, es necesario primero ubicar el cierre u oclusin, el cual se
distingue por un espacio en blanco. Posterior al cierre, se encontrar la barra explosin. En
la Figura 4 se muestra una imagen espectrogrfica, en la cual se pueden observar ambos
segmentos, cada uno de ellos sealado por su nombre.

14
Figura 4. Imagen espectrogrfica del cierre y la explosin de [p].

A continuacin se mostrar el proceso de segmentacin y transcripcin de [p]. Cabe


mencionar que la segmentacin y la transcripcin de los alfonos slo se hace
manualmente en el nivel T54, ya que en los niveles T44 y T22 se hacen automticamente,
por medio de un segmentador y un transcriptor. Sin embargo no se dejarn de mencionar
aqu ambos procesos correspondiente para dichos niveles.

Para delimitar [p], es necesario hacer tres segmentaciones. A continuacin, se muestra paso
a paso cada una de ellas junto con la transcripcin.

1. La primera segmentacin se hace donde comienza el cierre. En el oscilograma se


puede notar porque la frecuencia fundamental (F0) cesa o hay un cambio brusco en la onda.
En el espectrograma se puede notar por el comienzo del cierre (el espacio en blanco);
tambin se puede tomar como referencia el final de la energa del alfono anterior (Lander
1997:46). En la Figura 5 se muestra dnde ha sido hecha la primera segmentacin en los
tres niveles de transcripcin.

15
Figura 5. Imagen espectrogrfica y segmentacin de [p].

2. La segunda delimitacin se hace donde termina el cierre, o bien, al comienzo de la


barra de explosin. A propsito de esta segmentacin, Lander (1997:45) seala que When
labelers see movement in the waveform begin they should set the left boundary of the burst
label. Esta misma segmentacin la propone para las consonantes africadas y vibrantes, las
cuales tambin constan de intervalos de alta y baja frecuencia, como se ver ms adelante
( 2.1; 10.2; 10.3). En la Figura 6 se puede observar que la segmentacin ha sido hecha
justo al inicio de la barra de explosin. Si se observa el oscilograma, la segmentacin se
hizo al comienzo de la onda acstica, tal como seala Lander.

Figura 6. Imagen espectrogrfica y segmentacin de [p].

16
3. Las etiquetas que han sido creadas, con las segmentaciones anteriores en los niveles
T54 y T44, corresponden al segmento del cierre. En ellas se debe transcribir el smbolo
[p_c], que es el smbolo para marcar el cierre de [p]. En la Figura 7 se puede observar la
transcripcin.

Figura 7. Imagen espectrogrfica y transcripcin de [p].

4. La tercera y ltima delimitacin del alfono [p], se hace al final de la barra de


explosin, o bien, donde comienza la vibracin, sonoridad o frecuencia del siguiente
alfono. Croot y Taylor (1995:3.1) sealan que esta segmentacin is determined by the
initial boundary of the following segment. En la Figura 8 se pude observar dnde ha sido
hecha la delimitacin de la barra de explosin para [p].

17
Figura 8. Imagen espectrogrfica y segmentacin de [p].

5. Finalmente, en las etiquetas creadas con la ltima segmentacin se coloca el


smbolo [p], que corresponden a las segundas etiquetas de los niveles T54 y T44. Para la
segmentacin de [p] en nivel T22, se llevar a cabo el primer y ltimo paso; y en la etiqueta
se transcribir el smbolo [p], ya que este nivel cuenta nicamente con los fonemas bsicos.
En la Figura 9 se muestra la imagen espectrogrfica de [p], en donde se resalta en la
transcripcin en las etiquetas de los tres niveles.

Figura 9. Imagen espectrogrfica y transcripcin de [p].

Como se dijo anteriormente (1.2.1), cuando [p] est en posicin final de slaba o de coda
silbica, ocasionalmente, puede tomar la realizacin del alfono [V], como por ejemplo
apto ~ abto, [apto] ~ [aVto]. De la misma manera, [V] puede realizarse como [p], en

18
posicin de coda silbica; por ejemplo objeto ~ opjeto, [oVxeto] ~ [opxeto]. Cuando [p] se
encuentre en este contexto, suceda la alternancia o no, la segmentacin en el nivel T44 se
har de la misma manera que en el nivel T22 y se transcribir en la etiqueta el smbolo [-B].
La segmentacin y la transcripcin para los niveles T54 y T22 se har de la misma forma
que en [p] al inicio de slaba. En la Figura 10 se puede observar el espectrograma y
transcripcin de la palabra adoptar, en ella se ha resaltado la segmentacin y transcripcin
de la coda [-B] en el nivel T44.

Figura 10. Imagen espectrogrfica, segmentacin y transcripcin de [-B].

1.4.2. Fonema dental oclusivo sordo /t/

En la Figura 11 se muestra la regla de realizacin del fonema /t/, conforme a Cutara 2004.

Fonema Alfono Contexto Grafa


Dental Dental Inicio de slaba t
oclusivo sordo oclusivo sordo
/t/ [t_c] [t]
Figura 11. Reglas distribucionales de los alfonos del fonema /t/.

19
La imagen espectrogrfica de este alfono, al igual que [p], tiene un segmento de cierre y
otro de explosin. Para la segmentacin de este alfono remitirse a [p]. Las etiquetas
correspondientes para los segmentos de [t] son [t_c] y [t] respectivamente. En la Figura 12
se resalta la imagen espectrogrfica de este alfono junto con su transcripcin.

Figura 12. Imagen espectrogrfica, segmentacin y transcripcin de [t_c] [t].

Cuando [t] est en posicin de coda silbica puede alternar su realizacin con [D]. Por
ejemplo atmsfera > admsfera, [atmO_7sfer(a] > [aDm_O_7sfer(a]; y viceversa, [D]
puede alternar su realizacin con [t]. Este fenmeno se trasncribe con el smbolo [-D], en el
nivel T44. Para la segmentacin y transcripcin ver [-B] en [p] en posicin de coda
silbica. En la Figura 13 se resalta la transcripcin de [-D], en la palabra salud.

20
Figura 13. Imagen espectrogrfica, segmentacin y transcripcin de [-D].

1.4.3. Fonema velar oclusivo sordo /k/

El fonema velar oclusivo sordo tiene dos alfonos: uno velar oclusivo sordo [k], que ocurre
al inicio de slaba; y el palatal oclusivo sordo, que se realiza cuando se encuentra en
contexto anterior a [e, i, j] (Cutara 2004:95). Articulatoriamente la diferencia entre estas
dos formas alofnicas de /k/ es que [k] se articula en el velo de paladar y [k_j] en el paladar
duro. En la Figura 14 se muestra las reglas distribucionales del fonema /k/, conforme a
Cutara 2004.

Fonema Alfono Contexto Grafa


Velar oclusivo Velar oclusivo Inicio de slaba k
sordo /k/ sordo [k_c] [k] c + a, o, u

Palatal oclusivo Anterior a [e, k


sordo [k_c] i, j] qu + e, i,
[k_j]
Figura 14. Reglas distribucionales de los alfonos del fonema /k/.

21
1.4.3.1. Alfono velar oclusivo sordo [k]

El proceso de segmentacin de la imagen espectrogrfica para los dos alfonos de /k/ es el


mismo que se hizo para [p] (ver [p]). Las etiquetas correspondientes para el alfono velar
oclusivo [k], en los niveles de transcripcin T54 y T44 son [k_c] y [k]; mientras que para el
nivel T22 es [k]. En la Figura 15 se puede ver la imagen espectrogrfica, la segmentacin y
la trascripcin de este alfono, en los tres niveles de transcripcin.

Figura 15. Imagen espectrogrfica, segmentacin y transcripcin de [k_c] [k].

1.4.3.2. Alfono palatal oclusivo [k_j]

Las etiquetas para el alfono palatal oclusivo [k_j] son diferentes para cada nivel de
transcripcin: en el nivel T54 se transcriben en las etiquetas [k_c] y [k_j] respectivamente;
en el nivel T44 [k_c] y [k]; y para el nivel T22 es [k]. En la Figura 16 se puede observar la
transcripcin de [k_j] en los tres niveles de etiquetado. Es preciso recordar que /k/ se
palataliza por influencia de los alfonos voclicos palatales [e, i, j], nicamente cuando est

22
en posicin anterior a ellos, como es el caso de la palabra quiero [k_jje_7r(o] que se
muestra en la Figura 16.

Figura 16. Imagen espectrogrfica, segmentacin y transcripcin de [k_c] [k_j].

Espectrogrficamente, podemos identificar y diferenciar al alfono [k_j] de las dems


oclusivas sordas, porque la transicin de su segundo formante es ascendente con respecto al
de la vocal que lo precede: Este alfono se refleja en el espectrograma con una elevacin
en la transicin del segundo formante de la vocal, sealando la palatalizacin en la
realizacin fontica de /k/ ante vocales palatales (Cutara 2004:96). En la Figura 17 se
muestra la imagen espectrogrfica de [k_j], en la cual se seala dicha transicin formntica.
En la Figura 18 se puede observar un dibujo de los formantes, con el propsito de mostrar
con ms precisin dicha transicin.

23
Figura 17. Imagen espectrogrfica de la transicin del segundo formante voclico
en contacto con la consonante [k_j].

Figura 18. Dibujo de la transicin del formante voclico en contacto con [k_j].

En posicin de coda silbica, [k] tiende a alternar su realizacin con [G], y viceversa,
cuando [G] est en dicha posicin tambin tiende alternar con [k]. Esta alternancia en el
nivel T44 se transcribe con el smbolo [-G]. Para la segmentacin de [k] en posicin final
de slaba ver [-B]. En la Figura 19 se seala la transcripcin de [k] en el nivel T44 con la
palabra conflicto [konfli_7kto].

24
Figura 19. Imagen espectrogrfica, segmentacin y transcripcin de [-G].

1.5. Fonemas oclusivos sonoros /b/, /d/, /g/

1.5.1. Fonema bilabial oclusivo sonoro /b/

El fonema bilabial oclusivo sonoro tiene dos alfonos: uno bilabial oclusivo sonoro, [b],
que ocurre en inicio absoluto de slaba y en contexto posterior nasal; y otro aproximante
bilabial fricativo sonoro, [V], que ocurre al interior y final de slaba. En la Figura 20 se
muestra el cuadro con las reglas combinatorias del fonema bilabial, conforme a Cutara
2004. Posteriormente, se muestra el proceso de segmentacin y transcripcin de cada uno
de sus alfonos.

Fonema Alfono Contexto Grafa


Bilabial Bilabial En inicio absoluto b, v
oclusivo oclusivo y posterior a nasal
sonoro /b/ sonoro[b_c] [b] [m, n]
Bilabial En interior y final b, v
fricativo de slaba
sonoro [V]
Figura 20. Reglas distribucionales de los alfonos del fonema /b/.

25
El modo de articulacin de los alfonos oclusivos sonoros se realiza como el de los
oclusivos sordos, por lo tanto la imagen acstica ser similar. Sin embargo, como se dijo
anteriormente (1), los oclusivos sonoros se pueden diferenciar de los sordos, porque en el
segmento del cierre presentan una barra de sonoridad; es decir, la frecuencia fundamental
no desaparece como en los sordos. En la Figura 21 se seala la barra de sonoridad de una
oclusiva sonora en posicin inicial de slaba.

Figura 21. Imagen espectrogrfica de la barra de sonoridad en las oclusivas sonoras.

1.5.1.1. Alfono bilabial oclusivo sonoro [b]

Para el proceso de segmentacin del alfono bilabial sonoro remitirse a [p]. La


transcripcin para las etiquetas del cierre y la explosin son [b_c] y [b] en los niveles T54 y
T44. Para el nivel T22 es [b]. En la Figura 22 se pueden observar la imagen y la
transcripcin de la palabra volver, en la cual se resalta el segmento correspondiente a [b].

26
Figura 22. Imagen espectrogrfica, de segmentacin y etiquetado de [b]
en posicin inicial de slaba.

Cuando [b] o cualquier otro alfono oclusivo sonoro se encuentra en contexto posterior a
las nasales [m, n], mantiene su realizacin; sin embargo, la imagen de espectrogrfica de
[b] mostrar un cierre muy pequeo, o bien, no aparecer. Lander menciona que en este
caso el cierre no se etiqueta, porque no aparece o es difcil distinguirlo de la nasal. Esto
sucede When the place of articulation is the same for the nasal and the closure, part of the
nasal acts as the perceived closure. The velum is closed just before the burst to allow the
pressure to build up for the burst. (Lander 1997:47). Por este motivo, la segmentacin y la
transcripcin de las oclusivas sonoras en este contexto sern diferentes. A continuacin, se
muestra cmo segmentar y transcribir a [b] en contexto posterior a [m], [n].

1. La primera segmentacin se hace justo al comienzo de la barra de explosin. En


la Figura 23 se puede observar la barra de explosin de una oclusiva, en contexto posterior
a un alfono nasal. En esta figura se resalta la primera segmentacin de la barra de
explosin del alfono oclusivo bilabial.

27
Figura 23. Imagen espectrogrfica, segmentacin y transcripcin de [b]
en contexto posterior a [m, n].

2. La segunda segmentacin se hace despus de la barra de explosin. Finalmente,


a las etiquetas se les asigna el smbolo [b], en los tres niveles de transcripcin. En la Figura
24 se puede observar la segmentacin y transcripcin de la oclusiva bilabial en contexto
posterior a un alfono nasal.

Figura 24. Imagen espectrogrfica, segmentacin y transcripcin


de [b] en contexto posterior a [m, n].

28
1.5.1.2. Alfono bilabial aproximante sonoro [V]

El alfono bilabial aproximante sonoro, [V], ocurre al interior y final de slaba. Este
alfono se identifica en el espectrograma porque sus formantes se perciben ms bajos de
energa con respecto a los alfonos que lo preceden o anteceden. En el oscilograma, se
puede identificar porque la amplitud de la onda baja. En la Figura 25 se seala con un
crculo la imagen espectrogrfica de [V].

Figura 25. Imagen espectrogrfica de [V].

Para la delimitacin de este alfono se hacen dos segmentaciones: la primera donde hay un
cambio en la frecuencia fundamental con respecto al alfono anterior. Machuca et al.
(1999:23) sugieren que la marca es colloca on es produeix un canvi en lamplitud o en la
forma de lona; si no sobserva un canvi en lamplitud o en la forma de lona, la marca es
colloca al mig de la transici. En la Figura 26 se muestra dnde se ha hecho esta primera
segmentacin de [V]. En este caso, la segmentacin se ha hecho en donde los formantes se
desvanecen.

29
Figura 26. Imagen espectrogrfica y segmentacin de [V].

El segundo lmite se realiza donde la frecuencia fundamental comienza a ascender


nuevamente. Croot y Taylor (1995: 3.2) sealan que si el alfono posterior es sonoro, la
frecuencia fundamental del segundo formante disminuir y justo ah se har la
segmentacin: If the preceding segment is a sonorant, the boundary is placed where
energy above 500 Hz or F2 decreases. En la Figura 27 se muestra la segunda delimitacin
para el segmento de [V].

Figura 27. Imagen espectrogrfica y segmentacin [V].

30
Finalmente, la transcripcin de este alfono para las etiquetas de los niveles T54 y T44 es
[V]; y [b] para el nivel T22. En la Figura 28 se muestra la imagen espectrogrfica de la
palabra gobierno, en la cual se resalta la transcripcin del alfono [V] en los tres niveles de
transcripcin.

Figura 28. Imagen espectrogrfica y transcripcin de [V].

Como se dijo anteriormente (1), cuando [V] est en posicin de coda silbica puede
alternar en su realizacin con [p], como en la palabra objetivo [oVxetiVo] ~ [opxetiVo]. En
este caso, se transcribir con el smbolo [-B] en la etiqueta correspondiente al nivel T44. En
los otros dos niveles se colocar la etiqueta del alfono que ha sido emitido. Para el proceso
segmentacin remitirse a [-B] en [p] final de slaba. En la Figura 29 se puede observar la
transcripcin de [V] en posicin de coda silbica en la palabra objetivo.

31
Figura 29. Imagen espectrogrfica, segmentacin y transcripcin de [-B].

1.5.2. Fonema dental oclusivo sonoro /d/

El fonema dental oclusivo sonoro tiene dos alfonos: uno dental oclusivo sonoro que ocurre
en inicio absoluto de slaba y en contexto posterior a [m, n, l]; y otro aproximante dental
fricativo sonoro que se realiza al interior y final de slaba. En la Figura 30 aparecen las
reglas combinatorias del fonema oclusivo dental, conforme a Cutara 2004.

Fonema Alfono Contexto Grafa


Dental Dental En inicio absoluto, d
oclusivo oclusivo posterior a
sonoro /d/ sonoro[d_c] [d] [m, n, l]
Dental En posicin d
fricativo sonoro interior y final de
[D] slaba
Figura 30. Reglas distribucionales de los alfonos del fonema /d/.

32
1.5.2.1. Alfono dental oclusivo sonoro [d]

La imagen acstica del alfono dental oclusivo sonoro se segmenta de igual manera que [p]
(ver [p]). Las etiquetas para cada segmento de [d] son [d_c] y [d] en los niveles T54 y T44,
y [d] para el nivel T22. En la Figura 31 se puede observar la segmentacin y transcripcin
de la imagen espectrogrfica de [d] en contexto inicial de slaba, en la palabra detalle.

Figura 31. Imagen espectrogrfica, segmentacin y transcripcin [d] en posicin inicial de slaba.

Cuando [d] est en contexto posterior a las nasales [m, n] y a la lateral [l], al igual que [b],
no presenta cierre; por lo que la transcripcin para los tres niveles ser nicamente [d],
como se puede observar en la Figura 32. Para el proceso de segmentacin remitirse a [b] en
contexto posterior a nasal.

33
Figura 32. Imagen espectrogrfica, segmentacin y transcripcin de [d]
en contexto posterior a [m, n].

1.5.2.2. Alfono dental aproximante sonoro [D]

El alfono dental aproximante sonoro [D] ocurre en todos los dems casos en los que no se
realiza el alfono oclusivo [d]. El proceso de segmentacin de este alfono se hace de la
misma manera que [V]. La transcripcin para las etiquetas de los niveles T54 y T44 es [D];
mientras que para el nivel T22 es [d]. En la Figura 33 se puede observar la segmentacin y
transcripcin de este alfono, en la palabra todo.

34
Figura 33. Imagen espectrogrfica, segmentacin y transcripcin de [D].

Cuando [D] est en posicin de coda silbica, se transcribir con el smbolo [-D] en el nivel
T44; de igual forma que [t] cuando aparece en esta posicin. Para lo niveles T54 y T22 se
transcribir la grafa correspondiente al alfono que se emiti. En la Figura 34 se observa la
segmentacin y transcripcin de [-D] en la palabra tranquilidad.

Figura 34. Imagen espectrogrfica, segmentacin y transcripcin de [-D].

35
1.5.3. Fonema velar oclusivo sonoro /g/

El fonema velar oclusivo sonoro tiene dos alfonos: el velar oclusivo sonoro [g], que ocurre
en los contextos de inicio absoluto de slaba y en posicin posterior a [m, n]; y el
aproximante velar fricativo sonoro [G], que se realiza en cualquier posicin de slaba. En la
Figura 35 se muestran las reglas distribucionales del fonema /g/, de acuerdo con Cutara
2004. Posteriormente, se muestra la segmentacin y transcripcin de cada uno de sus
alfonos.

Fonema Alfono Contexto Grafa


Velar oclusivo Velar oclusivo En inicio g
sonoro /g/ sonoro absoluto y
[ g_c] [g] posterior a
nasal [m, n]
Velar fricativo En cualquier g
sonoro [G] posicin de
slaba
Figura 35. Reglas distribucionales de los alfonos del fonema /g/.

1.5.3.1. Alfono velar oclusivo sonoro [g]

Para la segmentacin del alfono velar oclusivo sonoro, [g], seguir el mismo procedimiento
que en [p]. Las etiquetas para cada segmento de ste son [g_c] y [g] en lo niveles T54 y
T44, para el nivel T22 es [g]. En la Figura 36 se observa la imagen espectrogrfica de la
palabra gozando, en la cual se muestra la segmentacin y la transcripcin del alfono velar,
en los tres niveles de transcripcin.

36
Figura 36. Imagen espectrogrfica, segmentacin y transcripcin de [g] en posicin inicial de slaba.

El alfono velar oclusivo sonoro [g], en contexto posterior a nasal, tampoco presenta cierre;
por lo que su segmentacin se hace de igual forma que en [b] (ver [b] en contexto posterior
a [m, n]). La transcripcin es [g] para los tres niveles de etiquetado. En la Figura 37 se
puede observar la segmentacin y transcripcin de la imagen de [g] en este contexto.

Figura 37. Imagen espectrogrfica, segmentacin y transcripcin de [g]


en contexto posterior a [m, n].

37
1.5.3.2. Alfono velar aproximante sonoro [G]

La imagen espectrogrfica del alfono aproximante velar fricativo sonoro se reconoce por
la baja energa de sus formantes. Para la segmentacin de este alfono se debe seguir el
procedimiento de [V]. La transcripcin de este alfono es [G] para los niveles T54 y T44, y
[g] para T22. En la Figura 38 se observa su transcripcin en la palabra gobierno.

Figura 38. Imagen espectrogrfica, segmentacin y transcripcin de [G].

Cuando [G] est en posicin de coda silbica se segmenta de misma manera que [G]. La
transcripcin para la etiqueta del nivel T44 es [-G]; mientras que para los niveles T54 y T22
se transcribe el alfono que se emiti. En la Figura 39 se puede observar la segmentacin y
transcripcin de [-G] en la palabra magnetismo.

38
Figura 39. Imagen espectrogrfica, segmentacin y transcripcin de [-G].

39
2. Fonema palatal africado sordo /tS/

En el espaol de la ciudad de Mxico el fonema Africado sordo /tS/ tiene un solo alfono:
el palatal africado sordo, [tS], que ocurre en posicin inicial de slaba. En cuanto a su
articulacin, Irribarren (2055:170) menciona que Las africadas son resultado de la
combinacin de una fase oclusiva y una fase fricativa; es decir, tiene un primer momento
en el cual se cierran los rganos que lo articulan impidiendo la salida del aire, como sucede
en los alfonos oclusivos. Posteriormente, dichos rganos se abren dejando salir el aire
contenido por medio de una friccin. Acerca de esto, Quilis (1981:257) seala que los
alfonos africados se caracterizan porque en su emisin intervienen dos momentos: uno
interrupto, similar al de las explosivas, seguido de otro constrictivo. Estos dos momentos se
realizan en el mismo lugar articulatorio y, adems, durante el momento de su tensin.

La articulacin de este alfono se refleja en el espectrograma en dos segmentos: el primero


por un cierre, como el de las oclusivas, que corresponde al momento de la obstruccin del
aire; y el segundo por una friccin, que es una mancha turbulenta que corresponde al
momento de la constriccin. Dicha mancha es producto del aire al pasar por el
estrechamiento producido entre los rganos, en el mismo lugar donde previamente se
haban adherido (Hidalgo y Quilis 2004: 83-84).

La realizacin de los alfonos africados ha sido motivo de discusin, en la cual se han


tomado dos posturas. Por un lado estn los autores que plantean que las africadas son la
unin de dos consonantes: una oclusiva ms una fricativa. Ladefoged (2000:53) comenta
que en ingls An affricate is simply a sequence of a stop followed by a homorganic
fricative. Some such sequences, for example the dental affricate [t ]as in eighth or the

alveolar affricate [ts] as in cats, have been given no special status in English phonology.
Por otro lado, estn los autores que sostiene que las consonantes africadas son un slo
segmento. Quilis en su Tratado de fonologa y fontica espaolas (1999:289) comenta
acerca de esta discusin y da 6 puntos por los cuales considerar a las africadas como

40
sonidos simples; entre ellos, retomo el primero, en cual dice que los dos segmentos de las
africadas se articulan en el mismo lugar; y en el punto quinto, cita a Dauzat y Chlumsky:
El hablante que posee africadas en su lengua materna las siente, en sus emisin y en su
percepcin, como si fuesen consonantes simples y no compuestas. Navarro Toms
(1918:20) tambin menciona que la articulacin de las consonantes africadas se hace en el
mismo punto de la cavidad bucal: prodcese en el canal vocal un contacto que interrumpe
momentneamente, como en las oclusivas, la salida del aire; despus este contacto se
resulte suavemente, sin transicin brusca, en una estrechez; la oclusin y la estrechez se
verifican en el mismo punto y entre los mismos rganos.

En la Figura 40 se muestra la regla combinatoria del fonema /tS/, seguido del proceso de
segmentacin y transcripcin de su alfono.

Fonema Alfono Contexto Grafa


Palatal Palatal Inicio de slaba ch
Africado sordo Africado sordo
/tS/ [tS_c] [tS]
Figura 40. Reglas distribucionales de los alfonos del fonema /tS/.

2.1. Alfono palatal africado sordo [tS]

Como se mencion (2) este alfono consta de dos momentos, el primero donde se
obstruye el aire y el segundo donde es expulsado; por lo tanto, su imagen espectrogrfica se
caracteriza por tener dos segmentos: en el primero se muestra un cierre y en el segundo
aparece una mancha turbulenta correspondiente a la friccin. Martnez Celdrn (1998:79)
seala que el segmento turbulento es un ruido tan largo o ms que la zona de silencio
correspondiente a la oclusin. En la Figura 41 se seala la imagen espectrogrfica que
pertenece a [tS], en la cul se puede observar ambos segmentos del alfono: el cierre y la
friccin.

41
Figura 41. Imagen espectrogrfica de [tS].

La segmentacin de este alfono es parecida a la de las oclusivas, primero se segmenta el


cierre (para ms detalles ver [p]), y en las etiquetas de los niveles T54 y T44 se transcribe
el smbolo [tS_c]. En el nivel T22 nicamente se hace una segmentacin al inicio del cierre.
En la Figura 42 se observa la segmentacin y la transcripcin del cierre del alfono palatal.

Figura 42. Imagen espectrogrfica, segmentacin y transcripcin de [tS_c].

42
Posteriormente, se hace una tercera segmentacin justo al final de la friccin, en los tres
niveles de transcripcin; y en las etiquetas se transcribe el smbolo [tS]. En la Figura 43 se
muestra la imagen espectrogrfica de la palabra Campeche, en ella se resalta la
transcripcin del alfono [tS].

Figura 43. Imagen espectrogrfica, segmentacin y transcripcin de [tS].

43
3. Fonemas fricativos /f/, /s/, /x/, /Z/

3.1 Fonema labiodental fricativo sordo /f/

El fonema fricativo sordo /f/ tiene un solo alfono en distribucin complementaria, el


labiodental fricativo sordo, [f], que ocurre en inicio de slaba. Ladefoged (2001:56) explica
que, a los sonidos fricativos sordos, como /f/, se les ha llamado as porque the vocal folds
are not vibrating, and fricative to indicate that the noise is produced by the friction, the
resistance to the air as it rushes through a narrow gap.

Este alfono se articula con los dientes superiores apoyados en el labio inferior, provocando
que el aire salga dificultosamente haciendo una friccin (Quilis 1999). Dicha friccin se
refleja en el espectrograma como una mancha turbulenta. Acerca de esto, Lander (1997:49)
menciona que sibilants are the easiest to isolate because of the high energy they produce:
the onset can be determined by a sudden, heavy increase of random energy in the
spectrogram. Other types of fricatives are also marked by random energy in the
spectrogram, but the amplitude (and visibility) may be very low in the waveform.

Los alfonos fricativos se dividen en dos grupos: los de resonancias bajas, que se definen
as porque la mayor parte de su energa est en la parte baja del espectrograma (en este
grupo aparece nicamente [Z]); y los de resonancias altas, que se caracterizan porque su
energa se centra en la parte alta del espectrograma y por lo regular llegan a ocuparlo todo
(a este grupo pertenecen [f]. [s], [x]( (Quilis 1988:221). El alfono labiodental fricativo
forma parte del grupo de las fricativas de resonancias altas, ya que en el espectrograma su
imagen suele ocupar casi todo el espectrograma y se distingue por ser una gran mancha
turbulenta de friccin (Hidalgo y Quilis 2004).

44
Cutara (2004) report este alfono en el Corpus DIME como un alfono de baja
frecuencia, el cul no present muchas modificaciones; por lo que propone a [f] como
nico alfono para el modelado computacional.

En la Figura 44 se muestran las reglas distribucionales de /f/, de acuerdo con Cutara 2004.
Posteriormente, se mostrar el proceso de segmentacin y transcripcin de su alfono.

Fonema Alfono Contexto Grafa


Labiodental Labiodental En inicio de f
fricativo sordo fricativo sordo slaba
/f/ [f]
Figura 44. Reglas distribucionales de los alfonos del fonema /f/.

3.1.1. Alfono labiodental fricativo sordo [f]

El alfono labiodental fricativo sordo se caracteriza en el oscilograma por tener una onda
dbil, y en el espectrograma por ser una mancha de sonido turbulento o de friccin, la cual
carece de una estructura formntica. En la Figura 45 se pude observar la imagen acstica de
[f].

Figura 45. Imagen espectrogrfica de [f].

45
La delimitacin de este alfono se hace con dos segmentaciones. La primera donde la
frecuencia fundamental decrece bruscamente, o bien, si se ve el espectrograma, se hace
donde comienza la mancha de friccin. El segundo lmite se coloca donde termina la
friccin o donde hay un aumento en la amplitud de la onda. En la Figura 46 se muestra la
imagen espectrogrfica de [f]; en esta imagen se puede observar dnde han sido hechas
ambas segmentaciones del alfono.

Figura 46. Imagen espectrogrfica y segmentacin [f].

La transcripcin de este alfono es [f] para las etiquetas de los tres niveles. En la Figura 47
se muestra la imagen acstica de la palabra afectarn, en la cual se seala la transcripcin
del alfono labiodental fricativo.

Figura 47. Imagen espectrogrfica y transcripcin de [f].

46
3.2. Fonema alveolar fricativo sordo /s/

El fonema alveolar fricativo sordo /s/ tiene alta frecuencia de aparicin en el espaol, razn
por la cual se han registrado varios cambios en l (Cutara 2004). Moreno de Alba (1988)
report este alfono con una alta frecuencia en Amrica y con uso general en varios lugares
de Mxico, como el Valle de Mxico, Jalisco, Yucatn y Oaxaca. Especficamente, en el
espaol de la ciudad de Mxico tiene tres alfonos en distribucin complementaria: uno
sordo, otro dentalizado y uno ms sonoro.

El alfono alveolar fricativo sordo [s] se realiza al inicio de slaba. Los rganos
articuladores de este alfono presentan una aproximacin ms cercana, haciendo que la
fricacin sea ms grande. Por ello, [s] forma parte del grupo de las consonantes fricativas
de resonancias altas, y de ellas es la que presenta mayor energa (Quilis 1981). Lo anterior
puede ser visto en su imagen acstica, la cual se caracteriza por ser una mancha turbulenta
o una friccin que ocupa todo el espectrograma. Matluck (1951:72-73) menciona acerca de
la pronunciacin de [s], especficamente del valle de Mxico, que es un sonido predorso-
lveodental convexo fricativo sordo, de tensin media, de timbre muy agudo y de larga
duracin.

El alfono dental fricativo sordo [s_[] siempre ocurre en contexto final de slaba y
precedido de [t]; razn por la cual cambia su punto de articulacin a dental. Quilis (1999)
sostiene que este alfono no existe en el espaol y no es ms que la asimilacin de /s/ al
alfono dental. Sin embargo, para el espaol de la ciudad de Mxico, Cutara (2004) lo
mantiene dentro de las realizaciones del fonema /s/, respaldndose en la diferencia de la
estridencia entre la /s/ castellana y la /s/ mexicana, la cual documentan varios autores
(Matluck 1951, Lope Blanch 1963-1964 y Perissinotto 1975); y en los datos acsticos que
arroja la unin entre /s/ y /t/, sobre todo en los cambios de la onda sonora de /s/.

Finalmente, el fonema /s/ tiende a sonorizarse cuando est en contexto intervoclico y ante
las consonantes sonoras [b, d, g, Z, m, n, n~, l, r, r(], dando como resultado la realizacin
del alfono alveolar fricativo sonoro [z]. Para la articulacin de este alfono los rganos se

47
juntan ligeramente, de tal manera que el aire sale casi libremente. Durante su emisin las
cuerdas vocales vibran por influencia de la sonoridad de las vocales o de los alfonos
sonoros que lo preceden. Este alfono pertenece al grupo de las fricativas de resonancias
bajas porque su imagen espectrogrfica se concentra en la parte baja del espectrograma y se
caracteriza por tener ligeros formantes (Quilis 1999).

En la Figura 48 se muestran las reglas distribucionales del fonema /s/ y su representacin


en Mexbet, conforme a Cutara 2004. Posteriormente, se explica el proceso de
segmentacin y transcripcin de cada uno de sus alfonos.

Fonema Alfono Contexto Grafa


Alveolar Alveolar En contexto s, z, x
fricativo sordo fricativo sonoro intervoclico y
/s/ [z] ante [b, d, g, Z,
m, n, n~, l, r, r(]
Dental fricativo En contexto s, z,
sordo [s_[ ] anterior a [t]
Alveolar En contexto s, z,x
fricativo sordo inicial de slaba.
[s]
Figura 48. Reglas distribucionales de los alfonos del fonema /s/.

3.2.1. Alfono alveolar fricativo sordo [s]

El alfono alveolar fricativo sordo ocurre en contexto inicial de slaba. ste se identifica en
el espectrograma por ser una gran mancha oscura, que carece de formantes y posee alta
frecuencia, por lo que regularmente abarca todo el espectrograma de manera vertical. En la
Figura 49 se puede observar la imagen espectrogrfica de este alfono.

48
Figura 49. Imagen espectrogrfica de [s].

Para segmentar este alfono se hace el mismo procedimiento que para [f]. La transcripcin
es [s] para las etiquetas de los tres niveles. En la Figura 50 se observa la imagen acstica de
la palabra enseo, en la cual se resalta la segmentacin y transcripcin de [s].

Figura 50. Imagen espectrogrfica, segmentacin y transcripcin de [s].

49
3.2.2. Alfono dental fricativo sordo [s_[]

El fonema alveolar fricativo sordo /s/ se dentaliza cuando est en contexto anterior a [t],
como es el caso en las palabras azteca, hasta o est. Este alfono, por su punto de
articulacin, recibe el nombre de dental fricativo sordo, [s_[].

En el espectrograma puede verse como una mancha turbulenta, la cual suele ocupar todo el
espectrograma; pero se puede diferenciar de la imagen del alfono alveolar, porque es
mucho ms angosta. Cabe sealar que la imagen de [s_[] siempre estar siempre precedida
del cierre de [t]. En la Figura 51 se ha sealado la imagen espectrogrfica del alfono
dental, [s_[]. Posterior a ella, tambin puede observarse el segmento espectrogrfico de [t].

Figura 51. Imagen espectrogrfica de [s_[ ].

La segmentacin de este alfono se hace del inicio de la mancha turbulenta hasta el final de
la misma, o bien hasta el inicio del cierre de [t]. La transcripcin para este alfono en el
nivel T54 es [s_[]; mientras que para los otros dos niveles (T44 y T22) es [s]. En la Figura
52 se puede observar la imagen espectrogrfica de la palabra costo, en la cual se ha
resaltado la transcripcin del alfono dental.

50
Figura 52. Imagen espectrogrfica, segmentacin y transcripcin de [s_[ ].

3.2.3. Alfono alveolar fricativo sonoro [z]

El fonema alveolar fricativo sordo se sonoriza cuando est entre vocales o en contexto
anterior a [b, d, g, Z, m, n, n~, l, r, r(]. Esta realizacin da lugar al alfono alveolar fricativo
sonoro [z]. ste se distingue en el oscilograma por tener una frecuencia fundamental baja, y
en el espectrograma por ser una mancha que se asemeja a un crculo, formado por lneas
verticales oscuras. En la Figura 53 se pude observar la imagen espectrogrfica de [z],
sealada en un valo.

51
Figura 53. Imagen espectrogrfica de [z].

La imagen espectrogrfica de este alfono se segmenta a partir de donde comienza la


mancha de fricacin hasta el final de la misma; o bien, de donde la frecuencia fundamental
baja hasta donde vuelve a ascender. En la Figura 54 se puede observar la segmentacin de
la imagen espectrogrfica de [z].

Figura 54. Imagen espectrogrfica y segmentacin [z].

La transcripcin de este alfono para el nivel T54 es [z]; mientras que para los niveles T44
y T22 es [s]. En la Figura 55 se observa la transcripcin de [z] en los tres niveles de
transcripcin.

52
Figura 55. Imagen espectrogrfica y transcripcin de [z].

En ocasiones, el alfono alveolar fricativo sonoro no sonoriza y se realiza como el alfono


fricativo sordo. Cabe sealar que este caso es una excepcin y que, cuando sucede, se
transcribe en las etiquetas de los tres niveles el smbolo [s]; es decir, se transcribe cmo ha
sido su realizacin. En la Figura 56 se muestra un ejemplo con la oracin no se puede. A
pesar de que por contexto el fonema /s/ debi sonorizarse, ya que est entre vocales, se
realiz como sordo, por lo tanto se transcribi como fue emitido.

Figura 56. Imagen espectrogrfica y transcripcin de [z] no sonorizada.

53
3.3. Fonema velar fricativo sordo /x/

El fonema velar fricativo sordo tiene un slo alfono en distribucin complementaria, el


velar fricativo sordo [x], que se realiza al inicio y final de slaba. Este alfono se articula en
el velo del paladar y las cuerdas vocales no vibran durante su emisin (Quilis 1999).
Tambin forma parte de las consonantes de altas frecuencias, pero su imagen acstica
posee menor energa que la imagen de [s] (Quilis 1981). Cutara (2004) lo document
como un alfono de baja frecuencia de aparicin, en el Corpus DIME. En la Figura 57 se
muestra la regla de distribucin complementaria, junto con su grafa en Mexbet, conforme a
Cutara 2004, y su equivalencia ortogrfica.

Fonema Alfono Contexto Grafa


Velar fricativo Velar fricativo Inicio y final j
sordo /x/ sordo [x] de slaba g + a, e, i
Figura 57. Reglas distribucionales de los alfonos del fonema /x/.

3.3.1. Alfono velar fricativo sordo [x]

El alfono velar fricativo sordo, [x], como casi todas las fricativas, se distingue en el
espectrograma por ser una mancha turbulenta que lo ocupa casi completamente. En la
Figura 58 se puede observar la imagen espectrogrfica de este alfono, delimitada en un
crculo.

54
Figura 58. Imagen espectrogrfica de [x]

Para el proceso de segmentacin de este alfono remitirse a [f]. La trascripcin es [x] para
las etiquetas de los tres niveles. En la Figura 59 se puede observar la imagen
espectrogrfica de la palabra energa, en la cual se resalta la segmentacin y la
transcripcin del alfono velar fricativo sordo.

Figura 59. Imagen espectrogrfica, segmentacin y transcripcin de [x]

55
3.4. Fonema palatal fricativo sonoro /Z/

El fonema palatal fricativo sonoro /Z/ tiene dos alfonos: uno prototpico palatal fricativo
sonoro [Z], que ocurre al interior de slaba; y el palatal africado sonoro [dZ], que ocurre en
posicin de inicio absoluto y posterior a las nasales [m, n].

La articulacin del alfono palatal fricativo sonoro se realiza con el predorso de la lengua
contra la regin palatal (Quilis 1999:252). Espectrogrficamente, este alfono, a diferencia
de las fricativas sordas, muestra ms armnicos que ruido y su energa se concentra en la
parte inferior del espectrograma; razn por la cual pertenece al grupo de las fricativas de
resonancias bajas (Hidalgo y Quilis 2004).

El alfono africado se articula del mismo modo que [tS], por lo que de igual manera, consta
de dos momentos: uno interrupto y otro constrictivo. Esto dos momentos se reflejan en el
espectrograma por medio de dos segmentos: el primero como un cierre y el segundo como
una fricacin.

En la Figura 60 se presentan las reglas distribucionales de los alfonos de /Z/, conforme a


Cutara 2004. Posteriormente, se lleva a cabo el proceso de segmentacin y transcripcin
para cada uno de los alfonos.

Fonema Alfono Contexto Grafa


Palatal Palatal En contexto ll, y
fricativo fricativo interior de
sonoro /Z/ sonoro [Z] slaba
Palatal En contexto ll, y
africado inicial de slaba
sonoro [dZ_c] y posterior a
[dZ] [m, n, l]
Figura 60. Reglas distribucionales de los alfonos del fonema /Z/.

56
3.4.1. Alfono palatal fricativo sonoro [Z]

El fonema palatal fricativo sonoro, [Z], ocurre al interior de slaba. Este alfono se
identifica en el espectrograma por ser un segmento con formantes parecidos a los voclicos
pero de menor energa, razn por la cual es menos oscuro que los segmentos que lo
preceden o anteceden. En la Figura 61 se resalta la imagen correspondiente a este alfono.

Figura 61. Imagen espectrogrfica de [Z].

La segmentacin del alfono fricativo sonoro se hace a partir de donde baja la frecuencia
fundamental hasta donde vuelve a ascender, o bien, de donde los formantes se desvanecen
hasta donde vuelven a tener energa. La transcripcin para las etiquetas de los tres niveles
es [Z]. En la Figura 62 se puede observar la imagen espectrogrfica de la palabra
Valladolid; en la cual se ha resaltado la segmentacin y transcripcin de [Z].

57
Figura 62. Imagen espectrogrfica, segmentacin y transcripcin de [Z].

3.4.2. Alfono palatal africado sonoro [dZ]

La imagen espectrogrfica del alfono palatal africado sonoro, [dZ], se distingue en el


espectrograma por tener un cierre y una barra de explosin como los oclusivos, pero se
diferencia de ellos porque inmediatamente a la explosin aparece una mancha turbulenta,
que pertenece al momento de fricacin. En la Figura 63 se puede apreciar la imagen
espectrogrfica del alfono africado en contexto inicial.

Figura 63. Imagen del espectrogrfica de [dZ] en contexto inicial.

58
En el nivel T54, la delimitacin de este alfono se hace en dos segmentos. El primero
corresponde al cierre, esta segmentacin se hace al comienzo de [dZ] hasta el inicio de la
barra de explosin. El segundo se hace a partir del comienzo de la barra hasta el final de la
fricacin.

En los niveles T44 y T22 [dZ] se delimita en un slo segmento, que va desde el comienzo
del cierre hasta el final de la turbulencia, o bien, de la fricacin. En la Figura 64 se puede
observar la segmentacin del alfono palatal africado en los tres niveles de transcripcin.

Figura 64. Imagen espectrogrfica y segmentacin de [dZ] en contexto inicial.

La transcripcin para las etiquetas del nivel T54 son [dZ_c] para el cierre, y [dZ] para el
segmento fricativo. La transcripcin para las etiquetas de los niveles T44 y T22 es [Z]. En
la Figura 65 se pude observar la imagen espectrogrfica de la palabra lleva; en ella se ha
resaltado la transcripcin de [dZ] en contexto inicial absoluto, en los tres niveles.

59
Figura 65. Imagen espectrogrfica y transcripcin de [dZ] en contexto inicial.

Cuando el alfono palatal africado sonoro [dZ] ocurre en contexto posterior a las nasales
[m, n], en la imagen acstica no aparece el cierre, tal como ocurre con las oclusivas sonoras
(1.5). En la Figura 66 se ha sealado la imagen acstica de [dZ] en contexto posterior a
nasal. En dicha imagen se puede observar que no hay cierre, sino que posterior al segmento
nasal aparece la barra de explosin seguida de la fricacin.

Figura 66. Imagen espectrogrfica de [dZ] en posicin posterior a nasal.

60
La segmentacin para esta imagen se hace a partir de la barra explosin hasta el final de la
turbulencia. La transcripcin para las etiquetas es [dZ] en el nivel T54 y [Z] para los niveles
T44 y T22. En la Figura 67 se puede ver la segmentacin y transcripcin de este alfono.

Figura 67. Imagen espectrogrfica, segmentacin y transcripcin de [dZ]


en posicin posterior a nasal.

61
4. Fonemas nasales /m/, /m/, /n~/

4.1. Fonema labial nasal /m/

El fonema labial nasal /m/ tiene un solo alfono labial nasal [m], que ocurre en posicin
inicial de slaba. En la articulacin de este alfono ambos labios se juntan provocando que
el aire salga a travs de las fosas nasales. El velo del paladar se separa de la pared
farngea; las cuerdas vocales son vibran (Quilis 1999:226).

Lander (1997:50) menciona que la imagen espectrogrfica de las nasales es fcil de


distinguir porque the waveform rises or drops into a highly periodic, low amplitude signal.
The nasal usually carries the same formants of the preceding vowel or other phone, but is
lighter in color or intensity. Herrera (2002) seala que en ellas se puede identificar un
formante de muy baja frecuencia en toda la resonancia nasal; por tal motivo, la transicin
de los formantes voclicos adyacentes es negativa. Quilis (1981:209) menciona que las
nasales comparten con las explosivas orales la forma y la direccin de las transiciones del
segundo y tercer formante de las vocales contiguas.

En cuanto a su realizacin, Matluck (1951:105) observa que [m] tiende a relajarse


ligeramente en posicin intervoclica: amo, cama, etc. El relajamiento nunca llega, como
en Nuevo Mxico, a hacerla desaparecer. Perissinotto (1975) documenta una realizacin
fricativa que ocurre cuando est en contexto anterior a /f/, como en la palabra infantil. Sin
embargo, en Mexbet nicamente se tiene el alfono prototpico, [m], que se realiza en
posicin inicial de slaba, ya que Cutara (2004) lo report como un alfono estable, pero
de baja frecuencia, por lo que se consider como nico alfono de /m/.

Cuando el alfono nasal aparece en posicin de coda silbica puede alternar su realizacin
con cualquier forma alofnica de /n/. Por ejemplo en empezar [empezar(] ~ [eNpezar(].
Quilis (1999:228) menciona dos motivos por lo cuales estos alfonos se neutralizan: en

62
primer lugar el fonolgico: como no existen diferencias significativas entre las consonantes
nasales en posicin postnuclear, su lugar articulatorio no es pertinente; en segundo lugar, el
puramente fontico, pero, a su vez, en ntima conexin con el anterior: al no ser
significativos los distintos lugares de articulacin, lo importante, en el plano del habla es
que se realice una oclusin bucal y que quede una resonancia nasal. Esta neutralizacin de
los alfono nasales en posicin de coda silbica recibe en el nivel T44 la transcripcin de [-
N], en el alfabeto Mexbet. En la Figura 68 se muestra el cuadro con la regla distribucional
del fonema bilabial nasal; posteriormente se muestra el proceso de segmentacin y
transcripcin de su alfono.

Fonema Alfono Contexto Grafa


Bilabial nasal Bilabial nasal En todos los m
/m/ [m] contextos

Figura 68. Reglas distribucionales de los alfonos del fonema /m/.

4.1.1. Alfono labial nasal [m]

En el espectrograma, el alfono nasal [m] se nota como un segmento de poca energa, ya


que sus formantes son poco visibles. Esta baja energa hace que el segmento del alfono
nasal contraste con el oscurecimiento de la imagen de los alfonos vecinos. En la Figura 69
se puede ver la imagen espectrogrfica de [m].

63
Figura 69. Imagen espectrogrfica de [m].

El contraste que se ve entre el segmento nasal y los segmentos que lo anteceden y preceden,
ayuda a delimitar con ms exactitud al alfono. Lander (1997:50) menciona que Set the
right boundary where the first formant in the spectrogram dies. this should coincide with a
point of radical change in the waveform. As, la delimitacin de este alfono se hace de
donde baja la energa del segmento o la amplitud de la onda sonora, hasta donde vuelven a
ascender. En la Figura 70 se pude ver cmo ha sido hecha la segmentacin de [m], en los
tres niveles de transcripcin.

64
Figura 70. Imagen espectrogrfica y segmentacin de [m].

La transcripcin de este alfono es [m] para las etiquetas de los tres niveles. En la Figura 71
se muestra la imagen espectrogrfica de la palabra permanece; en ella se ha resaltado la
transcripcin de [m].

Figura 71. Imagen espectrogrfica y transcripcin de [m].

65
Cuando el alfono bilabial nasal se encuentra en posicin de coda silbica, se transcribe
con la grafa [-N] en el nivel T44; mientras que en los niveles T54 y T22 se hace la
transcripcin correspondiente al alfono que fue emitido. En la Figura 72 se puede observar
la imagen espectrogrfica de la palabra siempre. En esta imagen se resalta la transcripcin
de [m] en posicin de coda silbica.

Figura 72. Imagen espectrogrfica y transcripcin de [-N].

4.2. Fonema alveolar nasal /n/

El fonema alveolar nasal es uno de los fonemas con ms frecuencia de aparicin en el


espaol. Este fonema presenta una estructura central lo suficientemente moldeable como
para asimilarse con la consonante que le precede (Herrera 2002:3); por tal motivo, tiene
varias formas alofnicas: una alveolar, otra dental y una ms velar.

Cada alfono del fonema alveolar nasal /n/ se realiza en distinto contexto: el alveolar nasal
[n] prototpico, que se realiza en cualquier posicin de slaba; el dental nasal [n_[], que
ocurre en contexto anterior a [t, d]; y el alfono velar nasal [N], que se realiza en contexto
anterior a [k, g].

66
La imagen espectrogrfica de estos alfonos se caracteriza por la presencia de bandas de
resonancia en las cuales hay una concentracin de energa que conforman los llamados
formantes nasales (Herrera 2002:3). Aunque normalmente tienen un solo formante bien
marcado, en ocasiones se llega a percibir un segundo y tercer formante de energa dbil.
Con respecto a las transiciones de dichos formantes suelen presentan la misma forma y
direccin de las transiciones del segundo y tercer formantes de las vocales contiguas
(Hidalgo y Quilis 2004:159).

Como se dijo para /m/ (7), cuando los alfonos de /n/ estn en posicin de coda alternan
su pronunciacin con [m], por ejemplo envase [enbaze] ~ [embaze]. Esta alternancia sucede
porque continuamente /n/ se asimila al punto de articulacin de alfono que le precede
(Irribarren 2005:290). Matluck (1951) reporta que en el Valle de Mxico la pronunciacin
de [n] en posicin final de slaba tiende a conservarse aunque no deja de presentar
irregularidades, con mayor medida entre las personas de clase inculta.

En la Figura 73 se presentan las reglas distribucionales de los alfonos de /n/, conforme a


Cutara 2004. Despus, se muestra el proceso de segmentacin y transcripcin de cada uno
de los alfonos del fonema nasal alveolar.

Fonema Alfono Contexto Grafa


Alveolar nasal Alveolar nasal En cualquier n
/n/ [n] posicin de
slaba
Dental nasal En contexto n
[n_[] anterior a [t, d]
Velar nasal [N] En contexto n
anterior a [k, g]
Figura 73. Reglas distribucionales de los alfonos del fonema /n/.

67
4.2.1. Alfono alveolar nasal [n]

La imagen acstica del alfono alveolar nasal [n] se distingue en el espectrograma por ser
un segmento de baja frecuencia, en el cual regularmente son casi imperceptibles el segundo
y tercer formantes. En la Figura 74 aparece sealada la imagen acstica de [n].

Figura 74. Imagen espectrogrfica de [n].

El proceso de delimitacin de [n] es el mismo que en el alfono bilabial nasal (remitirse a


[m]). La transcripcin para este alfono es [n] para las etiquetas de los tres niveles. En la
Figura 75 se muestra la imagen espectrogrfica de la palabra nacional, en la cual se ha
sealado la segmentacin y transcripcin de [n].

68
Figura 75. Imagen espectrogrfica, segmentacin y transcripcin de [n].

4.2.2. Alfono dental nasal [n_[]

El fonema dental nasal [n_[] en el espectrograma se distingue como un segmento de baja


energa, el cual siempre aparece precedido del cierre o de la barra de explosin
correspondiente a los alfonos [t] o [d]. En la Figura 76 se puede observar el segmento
espectrogrfico correspondiente al alfono dental nasal.

69
Figura 76. Imagen espectrogrfica de [n_[ ].

La segmentacin de este alfono para los tres niveles de transcripcin, se hace a partir de
donde baja la frecuencia fundamental hasta el inicio del cierre o de la barra de explosin de
la consonante oclusiva que la precede. Es importante recordar que cuando algn alfono
oclusivo se encuentra en posicin posterior a una nasal, sta absorbe su cierre. Machuca et
al. (1999) mencionan que cuando la nasal est ante una oclusiva sorda, la segunda
delimitacin se hace al final de la sonoridad de la nasal. En la Figura 77 se pude observar la
segmentacin de [n_[], en los tres niveles de transcripcin (T22, T44, T54).

Figura 77. Imagen espectrogrfica y segmentacin de [n_[].

70
La transcripcin para la etiqueta del nivel T54 es [n_[]. En este contexto, el alfono [n_[]
siempre aparecer en posicin de coda silbica, por lo tanto la transcripcin para el nivel
T44 ser [-N]; y para el nivel T22 ser [n]. En la Figura 78 podemos observar la imagen
espectrogrfica de la palabra encontrar, en ella se ha sealado la transcripcin del alfono
dental nasal.

Figura 78. Imagen espectrogrfica y transcripcin [n_[].

4.2.3. Alfono velar nasal [N]

El alfono velar nasal [N] ocurre en posicin anterior a los alfonos velares [k, g], como en
las palabras mango, brinco, tengo, etc. La imagen acstica de este alfono se caracteriza
por ser un segmento que consta de formantes de baja energa, y al igual que [n_[], siempre
est precedido del cierre o de la barra de explosin de [k] o de [g]. En la Figura 79 se puede
observar la imagen espectrogrfica del alfono dental nasal. En esta imagen tambin se
puede ver que, posterior al segmento nasal, aparece el cierre de la consonante oclusiva.

71
Figura 79. Imagen espectrogrfica de [N].

La segmentacin del alfono nasal velar se hace de la misma manera que en [n_[] (ver
[n_[]). La transcripcin de este alfono en el nivel T54 es [N]; para el nivel T44 es [-N], ya
que siempre se encontrar en posicin de coda silbica; y para el nivel T22 es [n]. En la
Figura 80 aparece la imagen acstica de la palabra incremento, en ella se ha resaltado la
transcripcin de [n].

Figura 80. Imagen espectrogrfica, segmentacin y transcripcin de [n].

72
Cuando algn alfono de /n/ aparecen en posicin de coda silbica, se transcribir en el
nivel T44 con la grafa [-N], al igual que en [m] (7.1). En los otros dos niveles (T54 y
T22) se transcribir el alfono que fue emitido. En la Figura 81 se muestra el ejemplo de la
transcripcin de [-N] en la palabra venta.

Figura 81. Imagen espectrogrfica y transcripcin de [-N].

4.3. Fonema palatal nasal /n~/

El fonema palatal nasal, /n~/ tiene un solo alfono en distribucin complementaria: el


alfono palatal nasal [n~], que ocurre en inicio e interior de slaba; por ejemplo en ao,
nio, and, etc. Este alfono se articula en la regin predorsal de la lengua se adhiere a la
zona prepalatal, cerrando, de este modo, la salida del aire. El velo del paladar est separado
de la pared farngea; las cuerdas vocales vibran (Quilis 1999:227).

Cutara (2004) report a este alfono con una baja frecuencia de aparicin en el Corpus
DIME; por tal razn se asign a [n~] como nico alfono para este fonema. En la Figura 82
se muestra un cuadro con las reglas combinatorias del fonema palatal, de acuerdo con
Cutara 2004. Posteriormente, se mostrar el proceso de segmentacin y transcripcin del
alfono de dicho fonema.

73
Fonema Alfono Contexto Grafa
Palatal nasal Palatal nasal En todos los
/n~ / [n~] contextos

Figura 82. Reglas distribucionales de los alfonos del fonema /n~/.

4.3.1. Alfono palatal nasal [n~]

En el espectrograma se puede identificar a este alfono por su baja frecuencia y porque las
transiciones de sus formantes con respecto a los voclicos son positivas. En la Figura 83 se
seala el segmento espectrogrfico correspondiente a [n~].

Figura 83. Imagen espectrogrfica de [n~].

74
La delimitacin de este alfono se hace en dos segmentaciones: la primera donde la
frecuencia fundamental baja, y la segunda donde vuelve a ascender. Esta segmentacin es
la misma para los tres niveles de transcripcin. El smbolo para la transcripcin de este
alfono es [n~], para los tres niveles de transcripcin. En la Figura 84 se puede ver la
imagen espectrogrfica la palabra espaol. En esta imagen se seala la segmentacin y
transcripcin del alfono [n~], en los tres niveles de transcripcin.

Figura 84. Imagen espectrogrfica, segmentacin y transcripcin de [n~].

75
5. Fonemas lquidos /l/, /r(/, /r/

Se les llama fonemas lquidos al fonema lateral [l] y a los fonemas vibrantes [r(] y [r].
Quilis (1999:307) explica que la fontica acstica les rehabilit este trmino a causa de la
existencia en estas consonantes de ciertas caractersticas que les infieren una fisonoma
intermedia entre las vocales y las consonantes. Dichos fonemas tienen, al igual que las
vocales, un generador armnico y articulatoriamente la abertura de la boca; de las
consonantes poseen antirresonancia y obturacin del canal longitudinal. Algunas veces la
obturacin y la abertura alternan como en el caso de las vibrantes (Alarcos 1965).

En el espaol de la ciudad de Mxico, el fonema lateral alveolar tiene un nico alfono: el


lateral alveolar [l]. Algunos autores documentan una realizacin dental de /l/
(Perissinotto1975, Quilis 1999) y otra palatal (Perissinotto 1975). Sin embargo, en Mexbet
el fonema alveolar lateral /l/ tiene un solo alfono en distribucin complementaria: alveolar
lateral [l], que ocurre en posicin inicial y final de slaba; ya que en el Corpus DIME, el
alfono dentalizado present poca frecuencia de aparicin (Cutara 2004).

Los fonemas vibrantes articulatoriamente se caracterizan porque el pice de la lengua o la


vula, realiza varias oclusiones apoyndose en el rgano pasivo, es decir, los alvolos o el
dorso posterior de la lengua, respectivamente (aunque tambin existen vibrantes bilabiales,
en las que un labio golpea contra otro, son poco frecuentes) (Gil 1990:100).
Acsticamente, se caracterizan por ser interruptos, porque durante su emisin existen
intervalos de silencio; sin embargo estos fonemas se reconocen ms por sus vibraciones que
por sus oclusiones. Espectrogrficamente, se diferencian por el nmero de vibraciones y
oclusiones: la vibrante simple slo posee una interrupcin, mientras que la mltiple tiene
dos o ms (Martnez Celdrn 1998:94).

En Mexbet aparecen dos fonemas vibrantes: el simple /r(/ y el mltiple /r/. El fonema
vibrante simple tiene un solo alfono: el alveolar vibrante simple [r(], que ocurre en inicio y
final de slaba, tambin puede aparecer en contexto intervoclico y en los grupos /pr/, /tr/,
76
/kr/, /br/, /gr/. El fonema alveolar vibrante mltiple, /r/, presenta un alfono: el alveolar
vibrante mltiple, [r], este alfono ocurre en inicio de slaba y en contexto intervoclico.

Estos alfonos, al igual que los oclusivos y las nasales, presentan alternancia en posicin de
coda silbica. Cuando al alfono vibrante simple [r(] est en posicin de coda silbica, en
ocasiones, se refuerza y es realizado como el alfono vibrante mltiple [r]. Matluck
(1951:85) dice que este es un fenmeno de baja frecuencia y social: Las gentes cultas y
semicultas la pronuncian ordinariamente como vibrante sencilla sonora: verde, carne,
alarma, virgen, corcho, puerto, etc. Algunas personas la refuerzan como rr vibrante
mltiple, pero es raro.

A continuacin, en la Fgura 85, aparecen las reglas de distribucin de fonema lateral,


posteriormente se muestra el proceso de etiquetado de su alfono. Despus, se mostrarn en
las Figuras 85 y 88 las reglas distribucionales de los fonemas vibrantes, conforme a Cutara
2004; y, finalmente, la segmentacin y transcripcin de sus alfonos.

5.1. Fonema alveolar lateral /l/

Fonema Alfono Contexto Grafa


Alveolar Alveolar En inicio, l
lateral /l/ lateral [l] interior o final
de slaba
Figura 85. Reglas distribucionales de los alfonos del fonema /l/.

El fonema alveolar lateral /l/ tiene slo un alfono, el alveolar lateral [l], que ocurre en
posicin inicial y final de slaba. Este alfono se detecta tanto en el oscilograma como en el
espectrograma por una ligera disminucin de energa, Croot y Taylor (1995:3.5) sealan
que los alfono lquidos are vowel-like in appearance although usually of lower intensity
than vowels. They display long formant transitions and gradual changes in intensity, and
consequently have no clear boundaries adjacent to other liquids or glides, or vowels.
Lander (1997:50) da otra caracterstica de la imagen del los fonemas lquidos: The onset

77
of a liquid is marked by the disappearance of f3 (after a vowel) or the appearance of f1
and/or f2 (after a nasal or obstruent). En la Figura 86 se puede observar la imagen
espectrogrfica correspondiente a [l]. En la imagen se puede constatar que [l] carece del
tercer formante y posee baja energa con respecto a sus alfonos vecinos.

Figura 86. Imagen espectrogrfica de [l].

La segmentacin de este alfono se hace donde baja la frecuencia del primer formante,
hasta donde vuelve a ascender. Machuca et al. (1999) sugieren que la segmentacin se haga
donde se ve el cambio de amplitud de la onda. La transcripcin para las etiquetas es [l] en
los tres niveles. En la Figura 87 se puede ver la imagen espectrogrfica de la palabra lugar,
en ella se seala la segmentacin y la transcripcin de este alfono.

78
Figura 87. Imagen espectrogrfica, segmentacin y transcripcin de [l].

5.2. Fonema alveolar vibrante simple /r(/

Fonema Alfono Contexto Grafa


Alveolar Alveolar En inicio y r
vibrante vibrante final de slaba
simple /r(/ simple [r(]
Figura 88. Reglas distribucionales de los alfonos del fonema /r(/.

El fonema alveolar vibrante simple /r(/ tiene un solo alfono, el alveolar vibrante simple
[r(], que ocurre en posicin inicial y final de slaba, y en los grupos [pr], [tr], [kr], [br], [gr]
y [fr].

En el oscilograma, este alfono se localiza por mostrar breves intervalos de frecuencia alta
y baja. En el espectrograma se distingue por estar conformado de tres segmentos: en el
primero se ve una pequea vibracin, el segundo se presenta como un segmento parecido al
cierre de las oclusivas y en el tercero vuelve a haber otra pequea vibracin. En la Figura
89 se seala el segmento espectrogrfico de [r(]. En el se pueden ver claramente los tres
segmentos descritos anteriormente.

79
Figura 89. Imagen espectrogrfica de [r(].

La segmentacin de est alfono se hace de donde comienza la primera vibracin hasta el


final de la segunda. En la Figura 90 se puede observar la segmentacin de la imagen
espectrogrfica del alfono vibrante simple.

Figura 90. Imagen espectrografa y segmentacin de [r(].

80
La transcripcin de este alfono es [r(] para los tres niveles de transcripcin. En la Figura
91 se puede observar la imagen espectrogrfica de la palabra pregunta, en ella se resalta la
transcripcin de [r(] en los tres niveles.

Figura 91. Imagen espectrogrfica y transcripcin de [r(].

Cuando [r(] est en posicin de coda silbica, se transcribe en el nivel T44 con el smbolo [-
R]; en los otros niveles se transcribe con la misma grafa [r(]. En la Figura 92 se muestra el
ejemplo de transcripcin para la vibrante simple en posicin de coda, en la palabra
hermosa.

81
Figura 92. Imagen espectrogrfica y transcripcin de [-R].

5.3. Fonema alveolar vibrante mltiple /r/

El fonema alveolar vibrante mltiple tiene un solo alfono: el alveolar vibrante mltiple,
[r], que se realiza en posicin inicial de slaba y en contexto posterior a [n, l, s]. En la
Figura 93 aparece su regla distribucional, conforme a Cutara 2004.

Fonema Alfono Contexto Grafa


Alveolar Alveolar En inicio de r, rr
vibrante vibrante slaba y
mltiple /r/ mltiple [r] posterior a [n, l,
s]
Figura 93. Reglas distribucionales de los alfonos del fonema /r/.

En el oscilograma, este alfono se localiza porque muestra pequeos intervalos de baja y


alta frecuencia. Su imagen espectrogrfica se caracteriza por tener de tres a cuatro
vibraciones durante su emisin. En la Figura 94 se puede observar la imagen
espectrogrfica de [r] sealada con un crculo.

82
Figura 94. Imagen espectrogrfica de [r].

La delimitacin de este alfono se hace de la primera vibracin hasta el final de la ltima


que se detecten en el espectrograma. Esta segmentacin se hace en los tres niveles de
transcripcin. En la Figura 95 se puede observar la segmentacin de la imagen
espectrogrfica de este alfono en los tres niveles de transcripcin.

Figura 95. Imagen espectrogrfica y segmentacin de [r].

83
La transcripcin de este alfono es [r] para las etiquetas de los tres niveles de transcripcin.
En la Figura 96 se puede observar la imagen espectrogrfica de la palabra guerra, en la cual
se resalta la transcripcin del alfono vibrante mltiple.

Figura 96. Imagen espectrogrfica y transcripcin de [r].

84
II. FONEMAS VOCLICOS

85
1. Fonemas voclicos /a/, /e/, /i/, /o/, /u/

El espaol de Mxico tiene cinco fonemas voclicos, los cuales se dividen por su abertura
en abiertos, medios y cerrados. La abertura de cada uno depende de la proximidad de la
lengua al velo del paladar (Quilis 1999). De esta manera [a] es abierta, [e] y [o] medias, [i]
y [u] cerradas. Por la zona de articulacin se dividen en anteriores, centrales y posteriores;
estos trminos hacen referencia a la regin que ocupa la lengua en el paladar al emitir la
vocal; as, [i] y [e] son anteriores porque se articulan en el paladar duro; [a] es central ya
que la posicin de la lengua no va hacia el velo del paladar ni hacia al paladar duro y toma
una posicin semiplana (Gili 1975); [u] y [o] son posteriores, porque se articulan en el
paladar blando. Durante la realizacin de los fonemas voclicos el aire pasa libremente por
la cavidad bucal, ya que ningn rgano impide su salida (Garrido et al. 1998)

Cada fonema voclico tiene sus propios alfonos en distribucin complementaria. De


manera que el fonema voclico central abierto /a/ tiene tres alfonos: uno prototpico [a],
otro palatal [a_j] y uno ms velar [a_2]. El fonema anterior medio /e/ tiene dos alfonos:
uno prototpico [e], y otro abierto [E]. El anterior cerrado /i/ tiene un alfono prototpico y
una paravocal [j]. El posterior medio tiene un alfono prototpico [o] y otro abierto [O].
Finalmente, el fonema posterior cerrado /u/ tiene un alfono prototpico [u] y una paravocal
[w] (Cutara 2004). La realizacin de los alfonos est condicionada por reglas
combinatorias (las cuales se exponen en el apartado de cada fonema voclico); aunque cabe
mencionar que, en ocasiones, puede aparecer una realizacin distinta a la esperada en cierto
contexto o regla.

Espectrogrficamente, las vocales se pueden diferenciar de las consonantes porque son


segmentos de mayor energa, la cual se ve reflejada por el oscurecimiento de su segmento,
y tambin por tener una estructura formntica muy estable. Cada fonema voclico tiene sus
propios formantes, de los cuales los dos primeros son los ms importantes para el
reconocimiento de cada vocal (Quilis 1999), ya que reflejan la abertura y la zona de
articulacin de la vocal.
86
El primer formante (F1) se relaciona con la abertura de la cavidad bucal. Entre ms abierta
sea la vocal mayor ser la frecuencia del F1. El segundo formante (F2) se relaciona con el
punto de articulacin. Cuando la vocal sea anterior, el F2 aparecer a una alta frecuencia, y
viceversa, cuando la vocal sea posterior aparecer a una baja frecuencia (Gil 1990). De esta
manera, el F1 de [a] es el de ms alta frecuencia por ser la vocal con mayor abertura, y su
F2 aparece a una altura media por su articulacin central. El F1 de [e] tiene una altura
media y el F2 alta. El F1 de [i] tiene una frecuencia baja, por lo que aparece en la parte
inferior del espectrograma, y su F2 tiene una frecuencia alta. En [o] el F1 tiene una
frecuencia media y el F2 baja. Finalmente, en [u] ambos formantes aparecen con una muy
baja frecuencia. En la Figura 97 se puede observar la frecuencia de los formantes voclicos,
conforme a los parmetros anteriores.

Figura 97. Frecuencias de los primeros formantes voclicos (Quilis 1999).

En cuanto a las transiciones de dichos formantes, el segundo es el que ms vara y se


mover dependiendo la articulacin de cada alfono. En el caso de [a], cuando palataliza
[a_j], la transicin del segundo formante sube, es decir, es positiva. Por el contrario, cuando
velariza [a_2] la transicin es negativa.

En los alfonos abiertos de las vocales medias [e] y [o], el segundo formante regularmente
se mueve hacia la frecuencia del F2 de [a] (Alarcos 1965:149). En las paravocales [j] y [w],
de las vocales altas /i/ y /u/, el primer formante siempre aparecer a una baja frecuencia.
87
Croot y Taylor (1995) mencionan que en que la paravocal [w] es comn que no aparezcan
el segundo y tercer formante. En ambas paravocales, la transicin siempre ser positiva
porqu se unen a una vocal con ms alto grado de abertura.

En las vocales tnicas se pueden observar las mismas caractersticas formnticas, que en las
tonas; sin embargo, en las primeras se observar un grado mayor de energa y de duracin
en el segmento, lo que har que se diferencien de las vocales tonas (Albal et al. 2008). En
Mexbet se tienen un inventario de nueve alfonos tnicos que son los mismos que en las
vocales tonas, pero se excluyen las paravocales [j], [w]. Se les representa por medio del
diacrtico [_7]. En la Figura 98 se puede observar la representacin fontica de los alfonos
tnicos en Mexbet.

Vocal tnica Representacin en Mexbet

a_j_7
a
a_7

a_2_7

e e_7

E_7

i i_7

o o_7

O_7

u u_7

Figura 98. Representacin fontica de los alfonos voclicos tnicos en Mexbet.

88
1.1. Paravocales [j], [w]

Son llamados paravocales aquellos alfonos que ocupan el lugar de margen silbico en un
diptongo2 (Cutara 2004). En Mexbet se tienen dos formas paravoclicas: [j] y [w], las
cuales aparecen como alfonos de /i/ y /u/ (Cutara 2004). En la cadena hablada podemos
encontrar dos tipos de diptongos llamados creciente y decreciente. En los primeros, la
cavidad oral va de cerrada a abierta. A este grupo pertenecen las combinaciones [j], [w] +
[a], [e], [o]; como en las palabras rueda [rweda] y viejo [bjexo]. En el segundo tipo de
diptongos, la cavidad oral va de abierta a cerrada, ya que primero se pronuncia la vocal
nuclear y posteriormente la paravocal. En esta posicin pueden aparecer las combinaciones
[a], [e], [o] + [j], [w], como en las palabras auto [awto], hoy [oj], deuda [deuda] (Quilis
1999). Algunos autores mencionan que si la paravocal aparece en el margen anterior al
ncleo es una semiconsonante, pero si aparece en posicin posterior al ncleo es una
semivocal (Perissinotto 1975, Gili G. 1975; Gil 1990, Quilis 1999; Hidalgo y Quilis 2004).

Cada uno de los diptongos tiene su imagen espectrogrfica caracterstica, en la cual la


transicin del primer formante es el parmetro para saber cundo el diptongo es creciente o
decreciente. En el diptongo creciente, el F1 ir en ascenso durante su emisin, pues como
se dijo en el prrafo anterior, en la primera posicin est la paravocal y en segunda la vocal.
En los diptongos decrecientes sucede lo contrario, el primer formante va en descenso, ya
que en primera posicin se encuentra la vocal y en segunda la paravocal; por lo tanto los
rganos se desplazan de abiertos a cerrados (ver Figura 129).

1.2. Fonema voclico central abierto /a/

El fonema voclico central abierto tiene tres alfonos: uno abierto [a], que se realiza en
cualquier posicin de slaba; otro palatalizado [a_j], que ocurre cuando est en contexto
anterior a [tS, n~, Z, j]; y otro velarizado [a_2], que se realiza cuando est en contexto
anterior a [u, x] o en silaba trabada por [l]. En la Figura 99 se muestra un cuadro con las

2
En el Proyecto DIME se hizo una tesis de licenciatura sobre los diptongos del espaol de Mxico. El estudio
de los diptongos del espaol de Mxico para su aplicacin en un reconocedor de habla (Lpez 2004).

89
reglas combinatorias del fonema /a/, conforme a Cutara 2004. Perissinotto (1975) seala
que de las tres realizaciones del fonema /a/, la ms frecuente es la prototpica [a], le sigue la
velar [a_2] y, finalmente, la palatal [a_j] que se presenta espordicamente.

Fonema Alfono Contexto Grafa


Voclico Central abierto En cualquier a
central abierto posicin de
/a/ slaba
Abierto palatal En contexto a
[a_j] anterior a [tS,
n~, Z, j]
Abierto velar En contexto a
[a_2] anterior a [u, x]
y en slaba
trabada por [l]
Figura 99. Reglas distribucionales de los alfonos del fonema /a/.

1.2.1. Alfono central abierto [a]

El alfono central abierto [a] ocurre en cualquier posicin de slaba, siempre y cuando no se
encuentre en alguno de los contextos donde se realizan los alfonos velar y palatal. En el
espectrograma, el alfono central [a] se caracteriza por ser un segmento de alta energa; por
lo que tiene un oscurecimiento mayor al de los segmentos que lo preceden y anteceden.
Tambin se caracteriza porque su primer y segundo formantes estn bien definidos. En la
Figura 100 se puede observar la imagen espectrogrfica de [a].

90
Figura 100. Imagen espectrogrfica de [a].

La segmentacin de este alfono se hace, si se ve el oscilograma, en los cambio de


amplitud de la onda; es decir, de dnde sube la frecuencia hasta donde vuelve a descender.
Si se ve el espectrograma, la segmentacin va de donde comienza la estructura formntica
de [a] hasta donde los formantes se desvanecen, o bien, donde comienza la frecuencia del
siguiente alfono. En la Figura 101 se puede observar la segmentacin de la imagen
acstica de [a] en los tres niveles de transcripcin.

Figura 101. Imagen espectrogrfica y segmentacin de [a].

91
La transcripcin para este alfono es [a] en los tres niveles de transcripcin (T54, T44 y
T22). En la Figura 102 se muestra la imagen espectrogrfica de la palabra firmas, transcrita
en los tres niveles, en ella se ha resaltado la transcripcin de [a].

Figura 102. Imagen espectrogrfica y transcripcin de [a].

1.2.2. Alfono abierto palatal [a_j]

El alfono palatal [a_j] ocurre cuando se encuentra en posicin anterior a los alfonos
palatales [tS, n~, Z, j], como en las palabras muchacho, ao, ayer, etc. En el espectrograma
se distingue por ser un segmento de alta energa. La palatalizacin de este alfono se puede
notar por la elevacin en la transicin del segundo formante con respecto al alfono que lo
precede. En la Figura 103 se puede observar la imagen del alfono palatalizado, sealada
con un crculo.

92
Figura 103. Imagen espectrogrfica de [a_j].

La segmentacin de este alfono, si se ve en el oscilograma, se hace de donde sube la


amplitud de la onda hasta donde vuelve a descender. En el espectrograma, la segmentacin
se hace donde comienza la regin formntica de [a_j] hasta donde el formante sube para
unirse al del alfono palatal. Tambin se puede notar por el cambio de energa en los
formantes, ya que estos parecieran difuminarse. Esta misma segmentacin se hace para los
tres niveles de transcripcin. En la Figura 104 se puede observar la segmentacin de la
imagen del alfono palatal [a_j].

93
Figura 104. Imagen espectrogrfica y segmentacin de [a_j].

La transcripcin de este alfono es [a_j] para la etiqueta del nivel T54, y [a] para los niveles
T44 y T22. En la Figura 105 se puede observar la imagen espectrogrfica de la palabra
valle, en ella se ha resaltado la transcripcin del alfono palatal en los tres niveles.

Figura 105. Imagen espectrogrfica y transcripcin de [a_j].

94
1.2.3. Alfono abierto velar [a_2]

El alfono abierto velar [a_2] ocurre cuando est en contexto anterior a [u, x] y en slaba
trabada por [l], como en las palabras ajo, aullar, sal. En el espectrograma se puede
identificar por que la transicin de sus formantes es decreciente con respecto al alfono que
lo precede. En la Figura 106 se puede ver el segmento espectrogrfico del alfono velar
[a_2]. En ste se puede observar el primer formante de alta energa, cuya transicin
desciende con respecto al alfono siguiente.

Figura 106. Imagen espectrogrfica de [a_2].

La delimitacin de este alfono se hace en dos segmentaciones: la primera donde comienza


la estructura formntica de [a_2], hasta la transicin de los formantes. Si esta transicin no
se distingue, la segmentacin se hace a la mitad de ambos segmentos (Croot y Taylor
1999). Esta misma segmentacin se hace para los tres niveles de transcripcin. En la Figura
107 se muestra una imagen espectrogrfica, en la que se puede ver cmo se ha hecho la
segmentacin de la imagen del alfono velar, en los tres niveles de transcripcin.

95
Figura 107. Imagen espectrogrfica y segmentacin de [a_2].

La transcripcin de este alfono es [a_2] para la etiqueta del nivel T54; para las etiquetas de
los niveles T44 y T22 es [a]. En la Figura 108 se muestra la imagen espectrogrfica
segmentada y transcrita de la palabra automtico, en la cul se seala la transcripcin del
alfono velar en cada uno de los niveles de transcripcin.

Figura 108. Imagen espectrogrfica y transcripcin de [a_2].

96
1.3. Fonema medio palatal /e/

El fonema medio palatal tiene dos alfonos: uno medio palatal [e], que se realiza en
cualquier posicin de slaba; y el alfono medio palatal abierto [E], que ocurre cuando est
en posicin anterior y posterior al alfono alveolar vibrante mltiple. En la Figura 109 se
muestran dichas reglas distribucionales, conforme a Cutara 2004.

Fonema Alfono Contexto Grafa


Voclico Medio palatal En cualquier e
medio palatal [e] posicin de
/e/ slaba
Medio palatal En contexto e
abierto [E] anterior y
posterior a [r]
Figura 109. Reglas distribucionales de los alfonos del fonema /e/.

1.3.1. Alfono medio palatal [e]

El alfono medio palatal, prototpico [e], en el espectrograma, se distingue por ser un


segmento de corta duracin, cuyos formantes aparecen a una frecuencia media. En la
Figura 110 se puede observar el segmento espectrogrfico de [e].

Figura 110. Imagen espectrogrfica de [e].

97
La segmentacin de este alfono se hace de la misma manera que el alfono central abierto
(remitirse a [a]). La transcripcin para las etiquetas de los tres niveles es [e]. En la Figura
111 se puede observar la imagen espectrogrfica de la palabra tenemos, en la cual se ha
resaltado la segmentacin y transcripcin de [e] en los tres niveles.

Figura 111. Imagen espectrogrfica, segmentacin y transcripcin de [e].

1.3.2. Alfono medio palatal abierto [E]

El fonema medio palatal se abre cuando est en contacto con el alfono vibrante mltiple
[r], como en las palabras cerrar, correr, recio, etc., dando como resultado, la realizacin
del alfono medio palatal abierto [E]. Este alfono se puede ver en el espectrograma como
un segmento de amplia duracin, y siempre estar condicionado a parecer junto a las
vibraciones de [r]. En la Figura 112 se puede observar la imagen del alfono medio palatal
abierto [E]. En esta imagen se puede ver cmo aparece junto a las vibraciones del alfono
vibrante mltiple. Cabe mencionar que a diferencia del alfono prototpico su imagen
espectrogrfica es de mayor duracin.

98
Figura 112. Imagen espectrogrfica de [E].

La segmentacin de este alfono se hace de donde termina [r] hasta la transicin formntica
de [E] con el alfono siguiente. Cuando [E] est antes de la vibrante mltiple, la
segmentacin se har desde del comienzo de la estructura formntica de [E] hasta el inicio
de [r], el cul se pude notar por el debilitamiento de los formantes de la vocal. En la Figura
113 se puede observar la segmentacin del alfono voclico, el cual aparece precedido por
la vibrante mltiple [r].

Figura 113. Imagen espectrogrfica y segmentacin de [E].

99
La transcripcin de este alfono para el nivel T54 es [E]; y [e] para los niveles T44 y T22.
En la Figura 114 se puede observar la imagen espectrogrfica de la palabra terrorismo, en
la cual se resalta la transcripcin del alfono [E].

Figura 114. Imagen espectrogrfica y transcripcin de [E].

1.4. Fonema voclico cerrado palatal /i/

El fonema voclico cerrado palatal tiene dos alfonos: uno cerrado palatal, prototpico, [i],
que ocurre en cualquier posicin de slaba; y otro paravocal palatal [j], que se realiza en
contexto anterior o posterior a las vocales [a, e, o, u]. En la Figura 115 se muestran las
reglas distribucionales de este fonema, de acuerdo con Cutara 2004.

Fonema Alfono Contexto Grafa


Voclico Cerrado palatal En cualquier i, y
cerrado palatal [i] posicin de
/i/ slaba.
Paravocal En contexto i, y
palatal [j] anterior y
posterior a [a, e,
o, u]
Figura 115. Reglas distribucionales de los alfonos del fonema /i/.

100
1.4.1. Alfono cerrado palatal [i]

El alfono cerrado palatal [i] se distingue en el espectrograma por ser un segmento breve de
mayor energa que las consonantes, pero menor a las de los alfonos voclicos [a] y [e]. Sus
formantes se caracterizan por aparecer separados: F1 con baja frecuencia y F2 a una alta
frecuencia. En la Figura 116 se puede observar la imagen acstica de [i].

Figura 116. Imagen espectrogrfica de [i].

Para la segmentacin de este alfono seguir el mismo proceso del alfono central abierto
[a]. La transcripcin es [i] para las etiquetas de los tres niveles. En la Figura 117 se puede
ver la imagen espectrgrafica de la palabra debilitamiento, en la cual muestra la
segmentacin y la transcripcin de [i].

101
Figura 117. Imagen espectrogrfica, segmentacin y transcripcin de [i].

1.4.2. Alfono paravocal palatal [j]

El alfono paravocal palatal [j] se distingue en el espectrograma por la transicin de su


primer formante, la cual ser descendente o ascendente segn su posicin. Cuando [j] est
en posicin posterior a [a, e, o, u], la transicin del formante desciende; por el contrario,
cuando est anterior a las vocales, la transicin es ascendente. En la Figura 118 se puede
observar la imagen espectrogrfica de [j]. En la imagen, el alfono anterior paravocal [j]
est en posicin anterior a alguna vocal, esto lo podemos notar en la transicin del primer
formante, ya que sta es ascendente con respecto al alfono siguiente.

102
Figura 118. Imagen espectrogrfica de [j].

La segmentacin de este alfono se hace a partir de donde comienzan los formantes de [j],
hasta donde empieza a descender o ascender el primer formante, segn sea el caso. Si la
transicin no es muy notoria, lo recomendable es hacer la segunda segmentacin a la mitad
de los dos formantes. Lander seala que en este caso After a semivowel or vowel, it can be
practically impossible to determine the exact onset of a vowel. To be consistent, we have
chosen to place the boundary in the middle of the transition period. If the formants never
level o on either the semivowel or the vowel, divide the segment in half (1997:58). Esta
segmentacin es la misma para los tres niveles de transcripcin. En la Figura 119 se puede
observar la segmentacin de la imagen espectrogrfica del alfono paravocal.

103
Figura 119. Imagen espectrogrfica de segmentacin de [j].

La transcripcin de este alfono es [j] para los niveles T54 y T44; mientras que para el
nivel T22 es [i]. En la Figura 120 se puede observar la imagen espectrogrfica de la palabra
opciones, en la cual se resalta la transcripcin de este alfono en los tres niveles de
transcripcin.

Figura 120. Imagen espectrogrfica y transcripcin de [j].

104
1.5. Fonema medio velar /o/

El fonema voclico medio velar tiene dos alfonos: uno prototpico medio velar [o], que se
realiza en cualquier posicin de slaba, y otro, medio velar abierto [O], que ocurre en
contacto con [r] y en slaba trabada por cualquier consonante. En la Figura 121 se muestran
las reglas distribucionales de los alfonos de /o/, de acuerdo con Cutara 2004.

Fonema Alfono Contexto Grafa


Voclico Medio velar En cualquier posicin o
medio velar [o] de slaba
/o/
Medio velar En contexto anterior y o
abierto [O] posterior a [r] y en
slaba trabada por
consonante
Figura 121. Reglas distribucionales de los alfonos del fonema /o/.

1.5.1. Alfono medio velar [o]

El alfono medio velar, [o], se identifica en el espectrograma por ser un segmento corto de
alta energa, pero menor que la de [a] y la de [e]. Sus formantes tienen una frecuencia
media, por lo que la distancia entre su F1 y F2 no es grande. En la Figura 122 se puede ver
la imagen espectrogrfica de [o] delimitada en un crculo.

105
Figura 122. Imagen espectrogrfica de [o].

La segmentacin del alfono velar [o] se hace de la misma manera que en [a] (ver a [a]).
La transcripcin es [o], para las etiquetas de los tres niveles de transcripcin. En la Figura
123 se puede ver la imagen espectrogrfica de la palabra zorros, en la cual se resalta la
segmentacin y transcripcin de [o].

Figura 123. Imagen espectrogrfica, segmentacin y transcripcin [o].

106
1.5.2. Alfono medio velar abierto [O]

El alfono medio velar abierto [O], se ve en el espectrograma como un segmento amplio de


alta energa. ste, al igual que [E], siempre se encontrar antecedido o precedido de las
vibraciones del alfono alveolar vibrante mltiple, ya que es el contexto en el que se
realiza. En la Figura 124 se puede ver la imagen espectrogrfica de [O]. En ella se puede
observar que la antecede el alfono vibrante.

Figura 124. Imagen espectrogrfica de [O].

Para la segmentacin de [O] remitirse a [E]. La transcripcin para este alfono es [O] para
el nivel T54, y [o] para los niveles T44 y T22. En la Figura 125 se puede observar la
imagen espectrogrfica de la palabra terrorismo, en ella se ha sealado la segmentacin y
trascripcin de [O], en los tres niveles.

107
Figura 125. Imagen espectrogrfica, segmentacin y transcripcin de [O].

1.6. Fonema cerrado velar /u/

El fonema voclico posterior cerrado /u/ tiene dos alfonos: el prototpico, cerrado velar
[u], que se realiza en cualquier posicin de slaba; y el paravocal velar [w], que ocurre
cuando se encuentra en posicin anterior o posterior a las vocales [a, e, i, o]. En la Figura
126 se muestran las reglas distribucionales de este fonema, de acuerdo con Cutara 2004.

Fonema Alfono Contexto Grafa


Voclico Cerrado velar En cualquier u
cerrado velar [u] posicin de slaba
/u/ Paravocal En contexto u
velar [w] anterior y posterior
a [a, e, i, o]
Figura 126. Reglas distribucionales de los alfonos del fonema /u/.

108
1.6.1. Alfono cerrado velar [u]

El alfono cerrado velar [u] se caracteriza en el espectrograma por ser un segmento corto
pero de alta energa, cuyos primero y segundo formantes aparecen en la parte inferior del
espectrograma. En la Figura 127 se seala la imagen acstica que corresponde a este
alfono.

Figura 127. Imagen espectrogrfica de [u].

Para la segmentacin seguir el mismo proceso que en el alfono [a]. La transcripcin es [u]
para las etiquetas de los tres niveles de transcripcin. En la Figura 128 se puede ver la
imagen espectrogrfica de la palabra Durango, en ella ha sealado la segmentacin y la
transcripcin de [u].

109
Figura 128. Imagen espectrogrfica, segmentacin y transcripcin de [u]].

1.6.2. Alfono paravocal velar [w]

El alfono paravocal velar [w] se caracteriza por ser un segmento en el cual el segundo y
tercer formante tienden de disminuir de energa o desaparecer (Croot y Taylor 1995).
Tambin se distingue por presentar un primer formante, cuya transicin asciende o
desciende, segn su posicin: cuando est en anterior a [a, e, i, o] el formante asciende,
cuando est posterior el formante desciende. En la Figura 129 se puede ver observar la
imagen espectrogrfica del alfono [w]. En esta imagen se puede observar la transicin
descendiente del primer formante; por lo tanto, se pude deducir que la paravocal est
despus de la vocal, pues ya que los formantes de este alfono siempre aparecern a una
baja frecuencia.

110
Figura 129. Imagen espectrogrfica de [w].

La segmentacin de este alfono se hace aplicando los mismos criterios de segmentacin


que en [j]. La transcripcin de este alfono es [w] para la etiqueta del nivel T54, y [u] para
las etiquetas de los niveles T44 y T22. En la Figura 130 se puede ver en la imagen acstica
de la palabra Austria, en la cul se ha sealado la transcripcin de [w] en los tres niveles de
transcripcin.

Figura 130. Imagen espectrogrfica, segmentacin y transcripcin de [w].

111
III. FENMENOS FONTICOS

112
1. Fenmenos fonticos

Durante el proceso del habla los sonidos no se emiten aisladamente, sino que se van hilando
para dar como resultado una cadena hablada, la cual tiene como objetivo entablar una
comunicacin que pretende ser eficiente a un bajo costo; por tal razn el hablante durante el
acto de comunicacin tiende a variar o modificar la pronunciacin en las palabras, dichas
modificaciones son conocidas como fenmenos fonticos.

Dentro de la clasificacin de fenmenos fonticos existen varios tipos como la asimilacin,


la relajacin de sonidos, etc. En este Manual nicamente se documentan dos, que son: la
homologacin de sonidos idnticos y la elisin,3 dentro del segundo se renen tres tipos:
afresis, sncopa y apcope. A continuacin se explica en lo que consiste cada uno de los
fenmenos ejemplificndolos con imgenes espectrogrficas.

1.1. Homologacin de sonidos idnticos

La homologacin de sonidos idnticos se refiere a la unin dos sonidos idnticos, voclicos


o consonnticos, que se caracterizan por fundirse en una misma emisin. Para que eso
suceda, los sonidos deben ser el ltimo de una palabra y el inicial de la otra; as, cuando el
hablante pronuncia ambas palabras, las une por medio de los sonidos en comn, haciendo
una reduccin de ellos. La reduccin de los sonidos que se unen en palabra suele ocurrir
por la velocidad con que son emitidos. Por ejemplo, en la oracin Quiero de estos mismos,
el hablante pronunciara Quiero destos mismos. En la Figura 131 podemos observar la
homologacin del fonema /e/ en la frase que es una. Como se puede ver en la imagen
espectrogrfica, nicamente se pronunci un fonema /e/ para ambas palabras. Esto se puede

3
En el Proyecto DIME se han realizado dos tesis de licenciatura sobre estos fenmenos: Fenmeno de
prdida en Corpus DIME para su inclusin en un reconocedor de habla (Ceballos 2007) y Sistematizacin
del fenmeno de silabicacin en el Corpus DIME (Espinoza 2007).

113
comprobar porque el segmento del alfono es pequeo, a diferencia de cuando hay una
pronunciacin de los dos alfonos, el segmento es largo.

Figura 131. Imagen espectrogrfica de l fenmeno de homologacin.

1.2. Elisin

La elisin consiste en la supresin de algn sonido en una palabra, o bien, dentro de la


cadena hablada. La elisin suele ocurrir por relajamiento en la pronunciacin de algunos.
Existen tres tipos de elisin: afresis, sncopa y apcope. A continuacin se explica cada
uno de ellos y su respectivo ejemplo en el espectrograma.

Afresis. En la afresis se suprime el sonido inicial de una palabra. En la Figura 132


aparece la imagen espectrogrfica, segmentada y transcrita, de la frase esto es todo,
en la cual se puede observar la prdida del fonema /e/, en la palabra es.

114
Figura 132. Imagen espectrogrfica de l fenmeno de afresis.

Sncopa. La sncopa consiste en la elisin de algn fonema que se encuentra al


interior de la palabra. Lass menciona que este trmino suele utilizarse con ms
frecuencia en la prdida de vocales, pero tambin se ha usado para sonidos
consonnticos (1984:187). En la Figura 133 se puede observar la imagen
espectrogrfica de la palabra diputados, en la cual se ha elidido el segundo alfono
/d/.

115
Figura 133. Imagen espectrogrfica del fenmeno de sncopa.

Apcope. En la apcope se pierde el ltimo sonido de una la palabra o de la cadena


hablada. En la Figura 134 se puede observar la imagen espectrogrfica de la palabra
universidad, en la cual se ha perdido el ltimo alfono /d/.

Figura 134. Imagen espectrogrfica del fenmeno de apcope.

116
IV. Apndice. TABLA DE EQUIVALENCIAS ENTRE LOS
ALFABETOS AFI, RFE Y MEXBET (Cutara 2004:144-145)

Alfonos del espaol de la ciudad de Mxico


Alfono AFI RFE Mexbet
Labial oclusivo sordo p p p

Dental oclusivo sordo t t t

Velar oclusivo sordo k k k

Bilabial oclusivo sonoro b b b

Dental oclusivo sonoro d d d

Velar oclusivo sonoro g g g

Palatal africado sordo t c tS

Palatal africado sonoro d y dZ

Labiodental fricativo sordo f f f

Dental fricativos sordo s s s_[

Alveolar fricativo sordo s s s

Velar fricativo sordo x x x

Bilabial fricativo sonoro  V

Dental fricativo sonoro  D

Alveolar fricativo sonoro s


z z

Palatal fricativo sonoro  y Z

Velar fricativo sonoro  G

Bilabial nasal m m m

Dental nasal n n n_[

117
Alveolar nasal n n n

Palatal nasal n
n~

Velar nasal n  N

Alveolar vibrante simple  r r(

Alveolar vibrante mltiple r r r

Alveolar lateral l l l

Vocal central abierta a a a

Vocal abierta palatal a+ a a_j

Vocal abierta velar a a. a_2

Vocal media palatal e e e

Vocal media palatal abierta e e E

Vocal cerrada palatal i i i

Paravocal palatal j j / i j

Vocal media velar o o o

Vocal media velar abierta o o O

Vocal cerrada velar u u u

Paravocal velar u w / u w

118
119